[论文解读] Dynamic Spatiotemporal Graph Convolutional Neural Networks for Traffic Data Imputation with Complex Missing Patterns

Yuebing Liang, Zhan Zhao+1 more|arXiv (Cornell University)|Sep 17, 2021

Traffic Prediction and Management Techniques参考文献 38被引用 20

一句话总结

本文提出动态时空图卷积神经网络（DSTGCN），一种深度学习框架，通过双向RNN和可学习图结构，建模交通数据中的动态空间依赖性和时间相关性。在两个真实世界交通速度数据集上，DSTGCN在四种复杂缺失模式——随机缺失、时间相关缺失、空间相关缺失及两者兼具——下均达到最先进性能，优于现有深度学习与张量分解方法，尤其在高缺失率和复杂缺失场景下表现更优。

ABSTRACT

Missing data is an inevitable and ubiquitous problem for traffic data collection in intelligent transportation systems. Despite extensive research regarding traffic data imputation, there still exist two limitations to be addressed: first, existing approaches fail to capture the complex spatiotemporal dependencies in traffic data, especially the dynamic spatial dependencies evolving with time; second, prior studies mainly focus on randomly missing patterns while other more complex missing scenarios are less discussed. To fill these research gaps, we propose a novel deep learning framework called Dynamic Spatiotemporal Graph Convolutional Neural Networks (DSTGCN) to impute missing traffic data. The model combines the recurrent architecture with graph-based convolutions to model the spatiotemporal dependencies. Moreover, we introduce a graph structure estimation technique to model the dynamic spatial dependencies from real-time traffic information and road network structure. Extensive experiments based on two public traffic speed datasets are conducted to compare our proposed model with state-of-the-art deep learning approaches in four types of missing patterns. The results show that our proposed model outperforms existing deep learning models in all kinds of missing scenarios and the graph structure estimation technique contributes to the model performance. We further compare our proposed model with a tensor factorization model and find distinct behaviors across different model families under different training schemes and data availability.

研究动机与目标

• 解决现有交通数据补全方法在捕捉动态、时变空间依赖性方面存在的局限，超越基于静态距离的图结构。
• 弥合现有方法在处理复杂缺失模式（如时间或空间相关缺失数据）方面的空白，超越常被研究的随机缺失场景。
• 开发一种深度学习框架，联合建模时间动态与演化中的空间关系，以提升补全准确率与鲁棒性。
• 比较深度学习模型（如DSTGCN）与张量分解方法在不同数据可用性与缺失模式下的性能表现。

提出的方法

• 整合双向循环网络以建模交通时间序列中的长程时间依赖性。
• 采用可学习图结构估计模块，从实时交通数据与道路网络拓扑中动态推断空间关系。
• 应用具有自适应邻接矩阵的图卷积网络（GCNs），以捕捉交通网络中随时间演化的空间相关性。
• 采用多块架构与残差连接，以保持梯度流动并增强特征表示学习能力。
• 使用观测数据点的均方误差损失进行端到端训练，根据预设的缺失模式应用掩码机制。
• 生成四种缺失模式——随机缺失（RM）、时间相关缺失（TCM）、空间相关缺失（SCM）及两者兼具（BM），以评估在多样化场景下的鲁棒性。

实验结果

研究问题

• RQ1 在复杂缺失模式下，能够动态估计空间依赖性的深度学习模型是否能优于基于静态图的模型？
• RQ2 DSTGCN在不同缺失率与缺失模式类型下，相较于最先进深度学习模型的表现如何？
• RQ3 当训练数据可用性变化时，深度学习模型与张量分解方法的相对性能如何？
• RQ4 图结构估计与时间建模组件对整体补全准确率的贡献程度如何？

主要发现

• DSTGCN在洛杉矶与西雅图两个数据集上，对四种缺失模式——随机、时间相关、空间相关及两者兼具——均实现了卓越的补全准确率。
• 该模型显著优于现有深度学习基线模型（包括GCN、GCRN与DAE），尤其在高缺失率（如50%）与复杂缺失模式下表现更优。
• 消融实验表明，图结构估计模块对性能有显著贡献，尤其在捕捉非平稳空间依赖性方面。
• 在高质量训练数据条件下，深度学习模型（如DSTGCN）优于张量分解方法；然而，在训练数据有限且缺失模式复杂的场景下，张量分解方法表现更优。
• 该模型在不同交通网络拓扑与缺失数据场景下均表现出鲁棒性与泛化能力，表明其具备强大适应性。
• 注意力机制与动态图的可视化结果表明，模型学习到了与真实道路网络结构及交通流模式一致的有意义空间关系。