[论文解读] Modeling Spatial-Temporal Dynamics for Traffic Prediction.

Huaxiu Yao, Xianfeng Tang+4 more|arXiv (Cornell University)|Mar 3, 2018

Traffic Prediction and Management Techniques参考文献 22被引用 95

一句话总结

本文提出一种时空动态网络（STDN），通过流量门控机制建模动态空间依赖性，并利用周期性偏移注意力机制捕捉交通数据中非严格周期性的时序模式。在真实世界数据集上的评估表明，STDN通过有效建模演变的空间关系和时序偏移，在交通预测精度上优于最先进方法。

ABSTRACT

Spatial-temporal prediction has many applications such as climate forecasting and urban planning. In particular, traffic prediction has drawn increasing attention in data mining research field for the growing traffic related datasets and for its impacts in real-world applications. For example, an accurate taxi demand prediction can assist taxi companies to pre-allocate taxis to meet with commuting demands. The key challenge of traffic prediction lies in how to model the complex spatial and temporal dependencies. In this paper, we make two important observations which have not been considered by previous studies: (1) the spatial dependency between locations are dynamic; and (2) the temporal dependency follows strong periodicity but is not strictly periodic for its dynamic temporal shifting. Based on these two observations, we propose a novel Spatial-Temporal Dynamic Network (STDN) framework. In this framework, we propose a flow gating mechanism to learn the dynamic similarity between locations via traffic flow. A periodically shifted attention mechanism is designed to handle long-term periodic dependency and periodic temporal shifting. Furthermore, we extend our framework from region-based traffic prediction to traffic prediction for road intersections by using graph convolutional structure. We conduct extensive experiments on several large-scale real traffic datasets and demonstrate the effectiveness of our approach over state-of-the-art methods.

研究动机与目标

• 解决现有交通预测模型假设空间依赖性静态和时序模式严格周期性所带来的局限性。
• 基于交通流量相似性学习，建模交通位置之间空间关系的动态特性。
• 在考虑动态时序偏移的前提下，捕捉具有周期性的长期时序依赖关系。
• 将框架扩展至基于图卷积网络的路网交叉口交通预测。
• 在大规模真实世界交通数据集上，相比最先进方法，提升预测精度。

提出的方法

• 提出一种流量门控机制，基于实时交通流量数据学习位置之间的动态空间相似性。
• 引入周期性偏移注意力机制，以建模表现出强周期性但具有可变相位偏移的时序依赖性。
• 采用图卷积网络表示路网，实现基于区域和交叉口级别的交通预测。
• 在统一的深度学习框架中整合流量门控与偏移注意力模块，实现端到端的时空建模。
• 使用多头注意力机制并引入可学习的偏移参数，自适应地建模不同周期下的时序模式。
• 在大规模交通数据集上，采用序列到序列预测目标，端到端训练STDN模型。

实验结果

研究问题

• RQ1 如何在交通预测中将交通位置之间的空间依赖性建模为动态而非静态？
• RQ2 在交通预测中，对具有非严格周期性（即动态相位偏移）的时序依赖关系，能多大程度上实现有效捕捉？
• RQ3 是否能够通过整合动态空间建模与偏移时序建模的统一深度学习框架，显著提升预测精度？
• RQ4 所提出的框架在不同交通预测任务（如区域级和交叉口级预测）中具有多大程度的泛化能力？
• RQ5 动态空间建模与周期性时序偏移处理对整体预测性能提升的相对贡献分别是什么？

主要发现

• 所提出的STDN框架在多个大规模真实世界交通数据集上，相比最先进方法表现出更优性能。
• 流量门控机制有效捕捉了演变的空间关系，显著提升了固定空间依赖模型的预测精度。
• 周期性偏移注意力机制显著增强了对具有可变相位偏移的长期时序模式的建模能力。
• 图卷积网络的集成使得交叉口级别的有效预测成为可能，将框架从区域预测扩展至更细粒度的预测任务。
• 消融实验确认，动态空间建模与时序偏移处理均对整体性能提升有显著贡献。
• 该模型在多样化城市交通场景和不同数据规模下均表现出鲁棒性与良好的泛化能力。