[论文解读] Graph Markov Network for Traffic Forecasting with Missing Data

Zhiyong Cui, Longfei Lin+2 more|arXiv (Cornell University)|Dec 10, 2019

Traffic Prediction and Management Techniques参考文献 35被引用 7

一句话总结

本文提出图马尔可夫网络（GMN）和谱图马尔可夫网络（SGMN），这是一种新颖的深度学习框架，将交通状态转移建模为图马尔可夫过程，以处理交通预测中的缺失数据。通过利用图结构和谱卷积捕捉时空依赖性，GMN与SGMN在缺失数据率高达20%的真实世界数据集上实现了最先进水平的准确率与效率。

ABSTRACT

Traffic forecasting is a classical task for traffic management and it plays an important role in intelligent transportation systems. However, since traffic data are mostly collected by traffic sensors or probe vehicles, sensor failures and the lack of probe vehicles will inevitably result in missing values in the collected raw data for some specific links in the traffic network. Although missing values can be imputed, existing data imputation methods normally need long-term historical traffic state data. As for short-term traffic forecasting, especially under edge computing and online prediction scenarios, traffic forecasting models with the capability of handling missing values are needed. In this study, we consider the traffic network as a graph and define the transition between network-wide traffic states at consecutive time steps as a graph Markov process. In this way, missing traffic states can be inferred step by step and the spatial-temporal relationships among the roadway links can be Incorporated. Based on the graph Markov process, we propose a new neural network architecture for spatial-temporal data forecasting, i.e. the graph Markov network (GMN). By incorporating the spectral graph convolution operation, we also propose a spectral graph Markov network (SGMN). The proposed models are compared with baseline models and tested on three real-world traffic state datasets with various missing rates. Experimental results show that the proposed GMN and SGMN can achieve superior prediction performance in terms of both accuracy and efficiency. Besides, the proposed models' parameters, weights, and predicted results are comprehensively analyzed and visualized.

研究动机与目标

• 解决由于传感器故障或探测车辆数据间隙导致的实时交通预测中缺失数据的挑战。
• 克服现有模型将交通视为多变量时间序列而忽略空间网络结构的局限性。
• 开发一种天然融合时空依赖性与缺失数据处理能力的神经网络架构。
• 提出一种图马尔可夫过程，用于建模网络中各路段之间的交通状态转移。
• 在具有不同缺失数据率的真实世界数据集上，展示在准确率与效率方面的卓越性能。

提出的方法

• 将交通网络建模为图结构，体现道路路段之间的拓扑关系。
• 将连续时间步之间的交通状态转移定义为图马尔可夫过程，利用马尔可夫性与局部化特性。
• 基于图马尔可夫过程设计图马尔可夫网络（GMN），用于在存在缺失值的情况下预测交通状态。
• 将谱图卷积引入GMN，构建谱图马尔可夫网络（SGMN），以提升特征学习能力。
• 使用邻接矩阵与可学习权重矩阵建模空间影响，通过权重矩阵可视化关注节点层面的影响。
• 在三种真实世界数据集（PEMS-BAY、METR-LA、INRIX-SEA）上，在随机缺失数据场景下进行模型训练与评估。

实验结果

研究问题

• RQ1 将交通状态转移建模为图马尔可夫过程是否能有效处理交通预测中的缺失数据？
• RQ2 在存在缺失数据的情况下，所提出的GMN架构相较于现有RNN模型在预测准确率与效率方面表现如何？
• RQ3 道路路段之间的空间关系在存在缺失值时，对预测性能的提升程度如何？
• RQ4 SGMN中集成谱图卷积在多大程度上增强了特征表示与预测准确率？
• RQ5 通过模型权重揭示的单个传感器对邻近路段的空间影响模式是什么？

主要发现

• 所提出的GMN与SGMN模型在包含缺失数据的三个真实世界数据集上，相较于基线模型，在准确率与效率方面均表现出更优的预测性能。
• 在INRIX-SEA数据集上，SGMN优于GMN，表明谱图卷积在复杂交通网络中具有显著优势。
• 即使在20%的缺失数据率下，模型仍保持强劲性能，证明了对数据损坏的鲁棒性。
• 权重矩阵可视化显示，交通状态受邻近路段影响最大，尤其是在交叉口附近。
• 通过权重分析识别出的前20个最具影响力的传感器位置主要集中于交叉口附近，证实了影响的空间聚集性。
• 预测残差与可视化结果表明，GMN-10与SGMN-10在工作日尤其能紧密跟踪真实速度值，偏差极小。