[论文解读] Graph Hierarchical Convolutional Recurrent Neural Network (GHCRNN) for Vehicle Condition Prediction

Mingming Lu, Kunfang Zhang+2 more|arXiv (Cornell University)|Mar 12, 2019

Traffic Prediction and Management Techniques参考文献 27被引用 4

一句话总结

该论文提出了一种新型图神经网络GHCRNN，结合图卷积网络（GCN）进行空间特征提取，门控循环单元（GRU）进行时间建模，并引入可学习池化机制以捕捉分层的道路网络结构。该模型在降低计算复杂度和噪声的同时，提升了在大型城市路网中对车辆流量和速度的预测精度，其有效性已在深圳和洛杉矶数据集上得到验证，相较于基线模型，其时间和内存消耗更低。

ABSTRACT

The prediction of urban vehicle flow and speed can greatly facilitate people's travel, and also can provide reasonable advice for the decision-making of relevant government departments. However, due to the spatial, temporal and hierarchy of vehicle flow and many influencing factors such as weather, it is difficult to prediction. Most of the existing research methods are to extract spatial structure information on the road network and extract time series information from the historical data. However, when extracting spatial features, these methods have higher time and space complexity, and incorporate a lot of noise. It is difficult to apply on large graphs, and only considers the influence of surrounding connected road nodes on the central node, ignoring a very important hierarchical relationship, namely, similar information of similar node features and road network structures. In response to these problems, this paper proposes the Graph Hierarchical Convolutional Recurrent Neural Network (GHCRNN) model. The model uses GCN (Graph Convolutional Networks) to extract spatial feature, GRU (Gated Recurrent Units) to extract temporal feature, and uses the learnable Pooling to extract hierarchical information, eliminate redundant information and reduce complexity. Applying this model to the vehicle flow and speed data of Shenzhen and Los Angeles has been well verified, and the time and memory consumption are effectively reduced under the compared precision.

研究动机与目标

• 为解决在道路网络中复杂的空间、时间及分层依赖关系下预测城市车辆流量和速度的挑战。
• 通过引入超越局部邻域聚合的分层结构学习，降低空间特征提取中的计算复杂度和噪声。
• 通过同时建模道路路段之间的局部连接性和全局结构相似性，提升大规模路网上的预测性能。
• 在统一的深度学习框架中整合空间、时间与分层表征，以实现交通状态预测。
• 在真实世界交通数据集（深圳和洛杉矶）上验证模型的有效性与效率。

提出的方法

• 该模型采用图卷积网络（GCN）从路网拓扑中提取空间特征，捕捉相连道路路段之间的关系。
• 使用门控循环单元（GRU）对历史车辆流量和速度数据在时间步上的依赖关系进行建模。
• 引入可学习池化机制，以分层方式聚合节点特征，降低冗余信息，减少空间与时间复杂度。
• 分层池化操作能够识别并保留结构和特征相似的道路节点组，增强表征学习能力。
• GCN与GRU组件按顺序堆叠，分层池化层位于两者之间，用于优化时间模块的输入。
• 整个架构采用端到端训练，使用均方误差损失函数预测未来车辆流量和速度。

实验结果

研究问题

• RQ1 如何有效建模道路网络中的分层结构关系以提升交通预测性能？
• RQ2 可学习池化是否能在保留关键空间信息的同时降低大规模交通图的计算复杂度？
• RQ3 与标准GCN-RNN模型相比，集成分层特征学习是否能提升预测精度？
• RQ4 在真实世界交通数据上，GHCRNN在预测精度与效率方面相较于现有方法的优越程度如何？
• RQ5 该模型在不同城市间道路网络结构与交通模式变化下的鲁棒性如何？

主要发现

• 在深圳和洛杉矶数据集上，GHCRNN相较于基线模型在车辆流量和速度预测上均取得了更高的预测精度。
• 由于分层池化机制的引入，模型显著降低了时间和内存消耗，有效消除了冗余信息。
• 分层特征学习的集成显著提升了在大规模路网上的泛化能力与鲁棒性。
• 可学习池化层有效捕捉了道路路段间的结构相似性，降低了无关连接带来的噪声。
• 模型在多样化城市环境中表现出色，验证了其可扩展性与适应性。
• 实证结果表明，GHCRNN在准确率与效率指标上均优于标准GCN-RNN架构。