[论文解读] Multi-Range Attentive Bicomponent Graph Convolutional Network for Traffic Forecasting

Weiqi Chen, Ling Chen+4 more|arXiv (Cornell University)|Nov 27, 2019

Traffic Prediction and Management Techniques参考文献 26被引用 15

一句话总结

该论文提出了一种基于图卷积网络的新型模型——多范围注意力双分量图卷积网络（MRA-BGCN），用于交通预测。该模型通过双分量图卷积和多范围注意力机制，联合建模节点级与边级依赖关系，以捕捉不同邻域范围内的空间相关性。在METR-LA和PEMS-BAY数据集上的实验表明，MRA-BGCN在交通预测精度方面达到了最先进水平。

ABSTRACT

Traffic forecasting is of great importance to transportation management and public safety, and very challenging due to the complicated spatial-temporal dependency and essential uncertainty brought about by the road network and traffic conditions. Latest studies mainly focus on modeling the spatial dependency by utilizing graph convolutional networks (GCNs) throughout a fixed weighted graph. However, edges, i.e., the correlations between pair-wise nodes, are much more complicated and interact with each other. In this paper, we propose the Multi-Range Attentive Bicomponent GCN (MRA-BGCN), a novel deep learning model for traffic forecasting. We first build the node-wise graph according to the road network distance and the edge-wise graph according to various edge interaction patterns. Then, we implement the interactions of both nodes and edges using bicomponent graph convolution. The multi-range attention mechanism is introduced to aggregate information in different neighborhood ranges and automatically learn the importance of different ranges. Extensive experiments on two real-world road network traffic datasets, METR-LA and PEMS-BAY, show that our MRA-BGCN achieves the state-of-the-art results.

研究动机与目标

• 解决交通预测中复杂时空依赖关系建模的挑战。
• 相较于固定权重的图卷积网络，更有效地捕捉道路网络中的节点级与边级交互关系。
• 通过在不同邻域范围上学习注意力权重，实现多尺度空间依赖关系的建模。
• 通过双分量图卷积机制整合异质空间相关模式，提升特征表示学习能力，从而提高预测精度。
• 在真实世界交通预测基准上实现最先进性能。

提出的方法

• 基于实际道路网络距离构建节点级图，以表示交通传感器之间的空间邻近性。
• 构建边级图，用于捕捉道路路段之间的交互模式，如流量相关性或拥堵传播。
• 应用双分量图卷积，通过消息传递机制同时建模并更新节点与边的特征表示。
• 引入多范围注意力机制，自适应地为来自多个邻域范围的特征分配权重，增强长距离依赖关系的建模能力。
• 采用门控机制融合多范围注意力特征，实现对相关空间上下文的动态选择。
• 使用时空损失函数端到端训练模型，以预测未来的交通速度或流量。

实验结果

研究问题

• RQ1 如何在不依赖固定预定义图结构的前提下，对交通网络中的空间依赖关系进行建模？
• RQ2 与仅基于节点的建模相比，边级交互模式在多大程度上能够提升交通预测性能？
• RQ3 多范围注意力机制是否能够有效同时捕捉长距离与短距离的空间依赖关系？
• RQ4 与标准图卷积网络相比，双分量图卷积机制在特征表示学习方面有何增强作用？
• RQ5 所提出的MRA-BGCN模型是否在真实世界交通预测基准上实现了更优性能？

主要发现

• 在METR-LA数据集上，MRA-BGCN实现了最先进性能，在MAE与RMSE指标上均优于以往方法。
• 在PEMS-BAY数据集上，MRA-BGCN在所有对比模型中取得了最低的MAE与RMSE，展现出一致的优越性。
• 消融实验表明，多范围注意力机制与双分量图卷积组件均对性能提升有显著贡献。
• 该模型在不同时间预测范围下均表现出鲁棒性，对短、中、长期预测的精度均有持续提升。
• 模型学习到的注意力权重揭示了有意义的空间模式，例如主要高速公路沿线的拥堵传播。
• 边级图构建方式捕捉到了超越物理邻近性的非平凡交通交互模式，有助于提升模型泛化能力。