[论文解读] Dynamic Spatio-temporal Graph-based CNNs for Traffic Prediction

Ken Chen, Fei Chen+9 more|arXiv (Cornell University)|Dec 5, 2018

Traffic Prediction and Management Techniques参考文献 28被引用 29

一句话总结

本文提出动态时空图卷积神经网络（DST-GCNNs），一种双流框架，通过分解图卷积联合建模动态交通图结构与时空流量模式。该方法在METR-LA、TaxiBJ和CD-HW数据集上实现最先进性能，通过捕捉随时间演化的交通依赖关系，提升了静态图模型的预测准确率。

ABSTRACT

Forecasting future traffic flows from previous ones is a challenging problem because of their complex and dynamic nature of spatio-temporal structures. Most existing graph-based CNNs attempt to capture the static relations while largely neglecting the dynamics underlying sequential data. In this paper, we present dynamic spatio-temporal graph-based CNNs (DST-GCNNs) by learning expressive features to represent spatio-temporal structures and predict future traffic flows from surveillance video data. In particular, DST-GCNN is a two stream network. In the flow prediction stream, we present a novel graph-based spatio-temporal convolutional layer to extract features from a graph representation of traffic flows. Then several such layers are stacked together to predict future flows over time. Meanwhile, the relations between traffic flows in the graph are often time variant as the traffic condition changes over time. To capture the graph dynamics, we use the graph prediction stream to predict the dynamic graph structures, and the predicted structures are fed into the flow prediction stream. Experiments on real datasets demonstrate that the proposed model achieves competitive performances compared with the other state-of-the-art methods.

研究动机与目标

• 为解决现有基于图的CNN在交通预测中静态图结构的局限性，后者无法捕捉随时间变化的交通依赖关系。
• 开发一种统一的深度学习框架，联合建模交通流数据中的空间相关性与时间动态性。
• 通过整合动态图学习与时空卷积特征提取，提升长期交通流预测的准确性。
• 在真实世界监控视频与出租车轨迹数据集上验证所提模型的有效性。

提出的方法

• 提出一种新型时空图卷积层，将卷积操作在空间与时间维度上分解，降低计算量并支持并行化处理。
• 采用双流架构：一个流量预测流使用堆叠的图卷积层，一个图预测流用于学习随时间演化的图拓扑结构。
• 将预测得到的动态图结构作为输入送入流量预测流，实现对交通关系动态变化的自适应建模。
• 采用两步预测策略，将长时预测分解为两个短时预测，提升预测的稳定性和准确性。
• 利用真实世界交通监控视频与出租车轨迹数据，在多样化城市交通场景中进行模型训练与评估。
• 采用标准指标（MAE、RMSE、MAPE）在多个数据集与预测时长上进行定量评估。

实验结果

研究问题

• RQ1 与静态图模型相比，能够联合学习动态图结构与时空流量模式的深度学习模型是否能提升交通预测的准确性？
• RQ2 图预测流的引入在多大程度上增强了模型捕捉随时间演化的交通依赖关系的能力？
• RQ3 相较于直接进行长时预测，两步预测策略在多大程度上提升了长期预测性能？
• RQ4 在不同真实世界数据集与预测时长下，DST-GCNN相较于SOTA方法（如DCRNN与STGCN）表现如何？
• RQ5 在不同交通条件下（如高峰时段与拥堵传播）下，该模型是否保持鲁棒的性能表现？

主要发现

• 在METR-LA数据集上，DST-GCNN在所有预测时长与评估指标下均优于所有基线方法，展现出在短期与长期预测中的一致优越性。
• 在TaxiBJ数据集上，DST-GCNN在单步预测中实现最低RMSE（12.62）与MAPE（13.27%），优于FC-LSTM、DCRNN与FCCF。
• 在CD-HW数据集上，DST-GCNN在30分钟预测时长远超其他方法，RMSE达10.18，优于DCRNN（12.10 RMSE）与STGCN（11.77 RMSE）。
• 定性分析表明，DST-GCNN能更准确捕捉早、晚高峰时段的开始与结束，而DCRNN则难以追踪快速变化。
• 模型学习动态图结构的能力可减少误差传播，并提升对交通趋势在路网中传播的建模能力。
• 两步预测策略通过将长期预测简化为可管理的短时步骤，显著提升预测准确率与稳定性。