[论文解读] Multistep Speed Prediction on Traffic Networks: A Graph Convolutional Sequence-to-Sequence Learning Approach with Attention Mechanism

Zhengchao Zhang, Meng Li+3 more|arXiv (Cornell University)|Oct 24, 2018

Traffic Prediction and Management Techniques被引用 11

一句话总结

本文提出AGC-Seq2Seq，一种结合注意力机制的图卷积序列到序列模型，用于多步交通速度预测。该模型通过图卷积网络捕捉空间依赖性，通过序列到序列框架建模时间动态性，并引入注意力机制以提升长时序预测的准确性，在真实世界交通数据上实现了最先进性能。

ABSTRACT

Multistep traffic forecasting on road networks is a crucial task in successful intelligent transportation system applications. To capture the complex non-stationary temporal dynamics and spatial dependency in multistep traffic-condition prediction, we propose a novel deep learning framework named attention graph convolutional sequence-to-sequence model (AGC-Seq2Seq). In the proposed deep learning framework, spatial and temporal dependencies are modeled through the Seq2Seq model and graph convolution network separately, and the attention mechanism along with a newly designed training method based on the Seq2Seq architecture is proposed to overcome the difficulty in multistep prediction and further capture the temporal heterogeneity of traffic pattern. We conduct numerical tests to compare AGC-Seq2Seq with other benchmark models using a real-world dataset. The results indicate that our model yields the best prediction performance in terms of various prediction error measures. Furthermore, the variation of spatiotemporal correlation of traffic conditions under different perdition steps and road segments is revealed through sensitivity analyses.

研究动机与目标

• 解决复杂城市网络中非平稳动态下准确的多步交通速度预测挑战。
• 同时建模道路路段之间的空间依赖性和交通速度序列中的时间依赖性。
• 克服长时序序列预测中的误差累积和时间异质性问题。
• 通过将注意力机制集成到图卷积序列到序列架构中，提升预测性能。
• 揭示不同预测步长和道路路段之间时空相关性的变化特征。

提出的方法

• 采用序列到序列（Seq2Seq）编码器-解码器架构，以建模交通速度序列中的时间依赖性。
• 整合图卷积网络（GCNs），通过将交通网络建模为图结构，捕捉道路路段之间的空间相关性。
• 引入一种注意力机制，在解码过程中动态聚焦于相关的历史时间步长和空间节点。
• 设计一种专为Seq2Seq框架定制的新训练策略，以稳定训练过程并提升长时序预测性能。
• 采用基于图的路网表示，其中节点代表道路路段，边代表空间连通性。
• 将基于GCN的空间编码与注意力增强的时间解码相结合，联合建模时空动态特性。

实验结果

研究问题

• RQ1 与现有方法相比，结合注意力机制的图卷积序列到序列模型是否能提升多步交通速度预测的准确性？
• RQ2 注意力机制如何缓解长时序交通预测中的误差传播问题？
• RQ3 不同预测时序和道路路段上的时空相关性行为如何？
• RQ4 在多步交通速度预测中，空间依赖性和时间动态性如何相互作用？
• RQ5 所提出的框架在不同交通状况和网络拓扑结构下是否具有良好的泛化能力？

主要发现

• AGC-Seq2Seq模型在真实世界交通数据集上，于多个误差指标（包括MAE、RMSE和MAPE）上均取得最佳性能。
• 注意力机制通过聚焦于相关的历史状态，显著减少了长时序预测中的误差累积。
• 敏感性分析表明，交通状况中的时空相关性会随预测步长和道路路段类型而变化。
• 该模型在短期和长期预测任务中，均优于基线模型如GC-LSTM、Seq2Seq和ST-ResNet。
• 图卷积与注意力机制的结合，使得在动态交通条件下预测更加鲁棒和自适应。
• 所提出的训练方法提升了收敛性和稳定性，从而增强了预测的可靠性。