[论文解读] Graph Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting.

Yaguang Li, Rose Yu+2 more|arXiv (Cornell University)|Jul 6, 2017

Traffic Prediction and Management Techniques被引用 63

一句话总结

本文提出一种图卷积循环神经网络（GCRNN），通过图卷积建模空间依赖性，通过循环结构捕捉时间动态，并结合编码器-解码器框架与调度采样技术。该方法在真实世界数据上的长期交通预测任务中，相较最先进基线模型实现了12%-15%的性能提升。

ABSTRACT

Spatiotemporal forecasting has significant implications in sustainability, transportation and health-care domain. Traffic forecasting is one canonical example of such learning task. This task is challenging due to (1) non-linear temporal dynamics with changing road conditions, (2) complex spatial dependencies on road networks topology and (3) inherent difficulty of long-term time series forecasting. To address these challenges, we propose Graph Convolutional Recurrent Neural Network to incorporate both spatial and temporal dependency in traffic flow. We further integrate the encoder-decoder framework and scheduled sampling to improve long-term forecasting. When evaluated on real-world road network traffic data, our approach can accurately capture spatiotemporal correlations and consistently outperforms state-of-the-art baselines by 12%- 15%.

研究动机与目标

• 解决在道路网络拓扑结构中建模复杂空间依赖性的挑战，以实现交通预测。
• 捕捉由道路条件变化引起的交通流中的非线性时间动态。
• 提升时空系统中长期时间序列预测的性能。
• 将基于图的空间建模与循环时间学习相结合，以提高预测准确性。
• 在真实世界交通预测基准上超越现有最先进方法。

提出的方法

• 将道路网络建模为图，以表示交通传感器或路段之间的空间关系。
• 应用图卷积网络（GCNs）从图结构数据中提取空间依赖性。
• 使用循环神经网络（RNN）捕捉交通流序列中的非线性时间动态。
• 实施编码器-解码器架构，从编码的时空特征生成长期预测。
• 在训练过程中引入调度采样，以提升泛化能力并减少长时程预测中的误差累积。
• 在端到端可训练框架中整合GCN与RNN组件，实现联合时空表征学习。

实验结果

研究问题

• RQ1 图卷积循环网络能否有效建模道路网络交通数据中的空间依赖性？
• RQ2 所提出方法在真实世界交通流中处理非线性时间动态的能力如何？
• RQ3 结合调度采样的编码器-解码器框架在多大程度上提升了长期预测的准确性？
• RQ4 在真实交通数据集上，GCRNN与最先进模型相比，预测性能如何？

主要发现

• 所提出的GCRNN模型在长期交通预测中持续优于最先进基线模型。
• 与现有方法相比，该模型在预测准确性上实现了12%至15%的相对提升。
• 调度采样的集成显著增强了长预测时域下的预测稳定性和准确性。
• 图卷积组件能有效捕捉道路网络拓扑结构中的复杂空间依赖性。
• 编码器-解码器框架实现了多步交通流预测的有效表征学习。
• 该方法在真实世界交通数据集上表现出强大的泛化能力，验证了其鲁棒性与可扩展性。