[论文解读] Efficient Metropolitan Traffic Prediction Based on Graph Recurrent Neural Network

Xiaoyu Wang, Cailian Chen+4 more|arXiv (Cornell University)|Nov 2, 2018

Traffic Prediction and Management Techniques参考文献 15被引用 38

一句话总结

本文提出图循环神经网络（GRNN），一种新颖的框架，通过关联网络捕捉时空传播模式，对城市交通流进行建模。通过利用循环传播中的全局图信息，GRNN 将计算复杂度从 O(nm) 降低至 O(n+m)，在真实上海出租车数据上优于现有方法，实现了高精度交通预测。

ABSTRACT

Traffic prediction is a fundamental and vital task in Intelligence Transportation System (ITS), but it is very challenging to get high accuracy while containing low computational complexity due to the spatiotemporal characteristics of traffic flow, especially under the metropolitan circumstances. In this work, a new topological framework, called Linkage Network, is proposed to model the road networks and present the propagation patterns of traffic flow. Based on the Linkage Network model, a novel online predictor, named Graph Recurrent Neural Network (GRNN), is designed to learn the propagation patterns in the graph. It could simultaneously predict traffic flow for all road segments based on the information gathered from the whole graph, which thus reduces the computational complexity significantly from O(nm) to O(n+m), while keeping the high accuracy. Moreover, it can also predict the variations of traffic trends. Experiments based on real-world data demonstrate that the proposed method outperforms the existing prediction methods.

研究动机与目标

• 解决城市交通预测中计算复杂度高的挑战，同时保持高精度。
• 克服传统方法忽略道路网络中全局时空依赖性的局限。
• 捕捉非均匀、基于传播的交通变化模式，这些模式无法被标准时间序列或网格化方法充分建模。
• 设计一种可扩展、全局同步的预测模型，能够同时从整个网络结构中学习。

提出的方法

• 引入一种名为关联网络（Linkage Network）的新拓扑结构，用于建模道路网络，用编码交通流传播模式的关联代替传统边。
• 设计 GRNN，一种基于图的循环神经网络，沿关联网络传播隐藏状态，以模拟真实的交通流动态。
• 将预测任务表述为从历史交通状态到未来状态的全局映射，实现在所有道路路段上的同步预测。
• 推导 GRNN 的学习算法，确保计算效率，并通过理论证明其复杂度为 O(n + m)，而非 O(nm)。
• 在 GRNN 中使用传播模块，模拟交通在相连道路段之间的扩散过程，捕捉空间与时间依赖性。
• 使用上海的真实出租车轨迹数据端到端训练 GRNN，以 MSE 和 VD（变化延迟）指标进行优化。

实验结果

研究问题

• RQ1 一种显式捕捉交通传播模式的图结构模型，是否能提升城市区域的预测精度？
• RQ2 与传统局部预测方法相比，全局交通预测模型的计算复杂度如何随网络规模增长？
• RQ3 GRNN 在多大程度上能比基线模型更准确、更及时地跟踪快速交通趋势变化（如拥堵高峰）？
• RQ4 通过重新定义的网络拓扑结构引入全局图级信息，是否能带来比局部或网格化模型更好的泛化能力？

主要发现

• 在真实上海出租车数据上，GRNN 的预测误差（MSE）显著低于五种基线方法，包括 GBDT、SVR 和 ARIMA。
• GRNN 在预测交通高峰时表现出极小的相位延迟，VD 得分更低，尤其优于 GBDT，后者表现出持续的时间滞后预测。
• 在不同图规模（n = 1, 10, 156）下，运行时间几乎保持恒定（约 180 秒），证实了 O(n + m) 的复杂度，验证了理论上的效率提升。
• 预测精度随子图规模增大而提升，表明 GRNN 有效学习并利用了图结构中的传播模式。
• 当 n = 156 时精度下降，归因于过度子图信息导致的过拟合或噪声，表明模型容量与数据质量需仔细权衡。
• 由于其全局同步的预测机制，GRNN 展现出更强的动态交通趋势跟踪能力，例如突发拥堵的出现。