[论文解读] ISTD-GCN: Iterative Spatial-Temporal Diffusion Graph Convolutional Network for Traffic Speed Forecasting

Yi Xie, Yun Xiong+1 more|arXiv (Cornell University)|Aug 10, 2020

Traffic Prediction and Management Techniques参考文献 23被引用 8

一句话总结

ISTD-GCN 提出了一种新颖的图卷积网络，通过在空间和时间两个维度上迭代传播信息，同步建模空间和时间交通速度特征，显著提升了预测精度。在两个真实世界数据集上，其性能优于10个基线模型，更好地捕捉了跨维度依赖关系。

ABSTRACT

Most of the existing algorithms for traffic speed forecasting split spatial features and temporal features to independent modules, and then associate information from both dimensions. However, features from spatial and temporal dimensions influence mutually, separated extractions isolate such dependencies, and might lead to inaccurate results. In this paper, we incorporate the perspective of information diffusion to model spatial features and temporal features synchronously. Intuitively, vertices not only diffuse information to the neighborhood but also to the subsequent state along with the temporal dimension. Therefore, we can model such heterogeneous spatial-temporal structures as a homogeneous process of diffusion. On this basis, we propose an Iterative Spatial-Temporal Diffusion Graph Convolutional Network (ISTD-GCN) to extract spatial and temporal features synchronously, thus dependencies between both dimensions can be better modeled. Experiments on two traffic datasets illustrate that our ISTD-GCN outperforms 10 baselines in traffic speed forecasting tasks. The source code is available at https://github.com/Anonymous.

研究动机与目标

• 解决现有交通速度预测模型分别处理空间和时间特征所导致的跨维度依赖信息丢失问题。
• 将空间和时间特征建模为统一的信息扩散过程，以保留相互依赖关系。
• 构建一个联合框架，通过在异构时空图上进行迭代扩散，同步提取空间和时间模式。
• 通过引入三个新组件——异构时空图（HSTG）、两步卷积和迭代策略——提升预测性能。
• 在真实世界交通速度数据集上，相比10个最先进基线模型，展现出更优的性能表现。

提出的方法

• 构建异构时空图（HSTG）以表示城市道路网络，其中节点为路段，边编码空间和时间关系。
• 应用两步卷积，在HSTG中分别处理空间和时间扩散路径，实现独立但同步的特征学习。
• 实施迭代策略，通过级联方式在空间和时间维度上逐层传播信息，逐步优化预测结果。
• 使用图卷积层沿HSTG传播信息，将交通流建模为时空上的扩散过程。
• 整合多轮迭代扩散的结果，生成具有更好时间一致性和空间一致性的最终交通速度预测。
• 采用平均绝对误差（MAE）和均方根误差（RMSE）作为损失函数，进行端到端训练。

实验结果

研究问题

• RQ1 与分别建模相比，通过统一扩散过程建模空间和时间特征是否能提升交通速度预测精度？
• RQ2 所提出的组件——HSTG、两步卷积和迭代策略——在时空建模中的性能增益分别起到何种作用？
• RQ3 与顺序或独立处理相比，同步扩散在多大程度上保留了空间和时间特征之间的依赖关系？
• RQ4 迭代优化策略是否能带来比非迭代基线更准确的长期预测（如60分钟预测）？
• RQ5 在真实世界交通速度预测基准上，ISTD-GCN与最先进模型（如DCRNN和Graph WaveNet）相比表现如何？

主要发现

• ISTD-GCN在METR-LA和PEMS-BAY两个数据集上均取得最佳性能，在所有评估指标上均优于10个基线模型。
• 在METR-LA数据集上，ISTD-GCN实现15分钟MAE为2.50，RMSE为4.40，MAPE为6.50%，显著低于次优模型Graph WaveNet（MAE为2.69）。
• 在PEMS-BAY数据集上，ISTD-GCN实现15分钟MAE为1.33，RMSE为2.36，MAPE为2.80%，优于Graph WaveNet（MAE为1.30）和DCRNN（MAE为1.38）。
• 消融实验表明，移除任意一个核心组件（HSTG、两步卷积或迭代策略）均导致性能一致下降。
• 迭代策略对性能提升贡献最大，尤其在长期预测（60分钟）中，其缺失使METR-LA的MAE增加0.70，PEMS-BAY的MAE增加0.23。
• 可视化对比（图7和图8）表明，ISTD-GCN能准确捕捉单个路段的微观速度波动以及整个网络的宏观趋势。