[论文解读] Hybrid Spatio-Temporal Graph Convolutional Network: Improving Traffic Prediction with Navigation Data

Rui Dai, Shenkun Xu+3 more|arXiv (Cornell University)|Jun 23, 2020

Traffic Prediction and Management Techniques参考文献 23被引用 13

一句话总结

该论文提出H-STGCN，一种混合时空图卷积网络，通过整合在线导航系统提供的未来交通流量数据，提升交通预测性能。通过使用领域特定的变换器将预期交通流量转换为等效行程时间，并利用复合邻接矩阵建模真实的交通邻近性，H-STGCN显著提升了预测精度，尤其在非周期性拥堵场景下，优于当前最先进方法，在真实世界数据集上表现优异。

ABSTRACT

Traffic forecasting has recently attracted increasing interest due to the popularity of online navigation services, ridesharing and smart city projects. Owing to the non-stationary nature of road traffic, forecasting accuracy is fundamentally limited by the lack of contextual information. To address this issue, we propose the Hybrid Spatio-Temporal Graph Convolutional Network (H-STGCN), which is able to "deduce" future travel time by exploiting the data of upcoming traffic volume. Specifically, we propose an algorithm to acquire the upcoming traffic volume from an online navigation engine. Taking advantage of the piecewise-linear flow-density relationship, a novel transformer structure converts the upcoming volume into its equivalent in travel time. We combine this signal with the commonly-utilized travel-time signal, and then apply graph convolution to capture the spatial dependency. Particularly, we construct a compound adjacency matrix which reflects the innate traffic proximity. We conduct extensive experiments on real-world datasets. The results show that H-STGCN remarkably outperforms state-of-the-art methods in various metrics, especially for the prediction of non-recurring congestion.

研究动机与目标

• 解决数据驱动交通预测模型在非平稳交通模式下缺乏上下文信息的局限性。
• 通过整合在线导航引擎提供的未来交通流量数据，提升预测精度，特别是针对非周期性拥堵场景。
• 比传统基于距离衰减的邻接矩阵更真实地建模道路网络中的空间依赖性。
• 开发一种多模态深度学习框架，整合异构信号：历史行程时间与未来交通流量。

提出的方法

• 设计领域变换器，利用交通理论中的分段线性流-密度关系，将导航系统提供的预期交通流量转换为等效行程时间。
• 模型采用图卷积，并结合复合邻接矩阵，该矩阵融合了行程时间的空间衰减与时间协方差，以反映真实交通邻近性。
• 采用混合架构，通过共享卷积进行时间特征提取，结合在复合邻接矩阵上进行图卷积的空间依赖性建模。
• 模型在真实世界交通数据上端到端训练，通过子网络划分优化推理过程，确保每轮预测延迟低于100ms。
• 流量到时间的变换器包含两个级联组件：一个捕捉普遍的三角形流-密度形状，另一个建模路段特定的容量与流量特性。
• 复合邻接矩阵通过结合空间衰减项与历史行程时间的协方差矩阵构建，以更好地反映实际交通传播模式。

实验结果

研究问题

• RQ1 来自在线导航系统的未来交通流量数据能否提升基于深度学习的交通预测模型的准确性？
• RQ2 如何有效将异构的交通流量数据转换为对行程时间预测有意义的信号？
• RQ3 结合空间衰减与时间协方差的复合邻接矩阵是否优于传统基于距离的邻接矩阵，在建模交通邻近性方面表现更优？
• RQ4 与最先进方法相比，所提出的H-STGCN模型在预测非周期性拥堵方面提升了多少？
• RQ5 能否在数据驱动的深度学习框架中有效嵌入物理启发知识（如流-密度关系），以支持时空预测？

主要发现

• H-STGCN在多个指标上显著优于最先进方法，尤其在预测非周期性拥堵方面表现突出。
• 当提供理想化的未来交通流量数据时，H-STGCN可提前最多30分钟预测拥堵，甚至无需历史参考。
• 模型的推理时间每轮预测低于100ms，通过将路网划分为子网络，可实现低延迟实时部署。
• 复合邻接矩阵在空间建模方面优于标准距离衰减矩阵，尤其在捕捉非直观的交通传播模式方面表现更优。
• 领域变换器能有效将原始交通流量转换为有意义的时间等效信号，使模型可在拥堵形成前提前预判。
• 在真实世界数据集上的实验表明，H-STGCN在短期与长期预测时间跨度上均优于基线模型，尤其在具有挑战性的非周期性拥堵场景中提升最为显著。