[论文解读] Latent Space Model for Road Networks to Predict Time-Varying Traffic

Dingxiong Deng, Cyrus Shahabi+4 more|arXiv (Cornell University)|Feb 13, 2016

Traffic Prediction and Management Techniques被引用 7

一句话总结

本文提出 LSM-RN，一种潜在空间模型，将道路网络顶点嵌入时间依赖的潜在空间，以捕捉拓扑和时间上的交通模式，通过一种增量在线学习算法实现实时、可扩展的交通预测，能够以亚秒级更新时间适应流式传感器数据。

ABSTRACT

Real-time traffic prediction from high-fidelity spatiotemporal traffic sensor datasets is an important problem for intelligent transportation systems and sustainability. However, it is challenging due to the complex topological dependencies and high dynamics associated with changing road conditions. In this paper, we propose a Latent Space Model for Road Networks (LSM-RN) to address these challenges. In particular, given a series of road network snapshots, we learn the attributes of vertices in latent spaces which capture both topological and temporal properties. As these latent attributes are time-dependent, they can estimate how traffic patterns form and evolve. In addition, we present an incremental online algorithm which sequentially and adaptively learn the latent attributes from the temporal graph changes. Our framework enables real-time traffic prediction by 1) exploiting real-time sensor readings to adjust/update the existing latent spaces, and 2) training as data arrives and making predictions on-the-fly with given data. By conducting extensive experiments with a large volume of real-world traffic sensor data, we demonstrate the utility superiority of our framework for real-time traffic prediction on large road networks over competitors as well as a baseline graph-based LSM.

研究动机与目标

• 解决在具有高保真度传感器数据的大规模动态道路网络中实现实时交通预测的挑战。
• 克服现有方法依赖静态模型、离线训练或未能充分利用拓扑与时间相关性的局限。
• 开发一种可扩展的在线学习框架，支持实时更新和通过流式交通数据实现增量模型适应。
• 通过联合建模空间相似性（拓扑）和时间动态性（演变的交通模式）来提高预测准确性。

提出的方法

• 将道路网络顶点嵌入时间依赖的潜在空间，其中每个维度代表一个捕捉交通行为和网络拓扑的潜在属性。
• 引入图拉普拉斯约束以强制实现拓扑相似性，并通过相似边实现缺失数据插补。
• 使用时变潜在属性和全局转移过程对时间动态性进行建模，以捕捉演变的交通模式。
• 开发一种增量在线学习算法（LSM-RN-Inc），仅在局部视图中更新变化的顶点，实现实时快速适应。
• 采用乘法更新算法进行潜在属性推断，并通过图拉普拉斯正则化保持结构相似性。
• 通过持续更新潜在空间以响应新到达的传感器读数，避免完整重训练，从而支持实时预测。

实验结果

研究问题

• RQ1 潜在空间模型能否有效捕捉动态道路网络中交通预测的拓扑与时间依赖性？
• RQ2 与全局离线学习相比，增量在线学习方法在实时交通预测的速度与准确性方面表现如何？
• RQ3 在预测准确性与计算成本之间实现平衡时，潜在属性的最优数量和正则化参数是多少？
• RQ4 历史快照数量（T）和快照之间的时间跨度如何影响预测性能与效率？
• RQ5 该模型能否有效处理缺失数据，并在传感器故障或覆盖稀疏的情况下保持准确性？

主要发现

• LSM-RN 的预测误差显著低于基线图模型 LSM 及其他竞争方法，尤其在使用 6–12 个历史快照时表现更优。
• 增量学习算法（LSM-RN-Inc）在每个反馈周期内更新时间少于 1 秒，适合实时部署。
• 随着快照数量（T）增加，预测准确性提高，但在 T ≥ 6 时趋于稳定，表明该点后收益递减。
• 快照间时间跨度越小，性能越好，因为较长的时间跨度会破坏交通演化建模的平滑性。
• 设置 k = 20 个潜在属性可在准确性与计算成本之间取得良好平衡，且当 k ≥ 20 时性能趋于稳定。
• 图正则化参数 λ 对全局学习变体（LSM-RN-All）的影响强于对增量版本（LSM-RN-Inc）的影响，最优值分别为 λ = 2（LSM-RN-All）和 λ = 8（LSM-RN-Inc）。