[论文解读] PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting

Yuyol Shin, Yoonjin Yoon|arXiv (Cornell University)|Feb 18, 2022

Traffic Prediction and Management Techniques参考文献 41被引用 12

一句话总结

PGCN 是一种新颖的时空交通预测框架，通过趋势相似性学习在训练和推理过程中对在线输入数据逐步适应图结构，构建动态邻接矩阵。通过将自适应图与空洞因果卷积及门控激活单元结合，PGCN 在七个多样化的现实世界交通数据集上实现了最先进性能，展现出在数据不规则情况下的强大泛化能力和一致性。

ABSTRACT

The complex spatial-temporal correlations in transportation networks make the traffic forecasting problem challenging. Since transportation system inherently possesses graph structures, many research efforts have been put with graph neural networks. Recently, constructing adaptive graphs to the data has shown promising results over the models relying on a single static graph structure. However, the graph adaptations are applied during the training phases and do not reflect the data used during the testing phases. Such shortcomings can be problematic especially in traffic forecasting since the traffic data often suffer from unexpected changes and irregularities in the time series. In this study, we propose a novel traffic forecasting framework called Progressive Graph Convolutional Network (PGCN). PGCN constructs a set of graphs by progressively adapting to online input data during the training and testing phases. Specifically, we implemented the model to construct progressive adjacency matrices by learning trend similarities among graph nodes. Then, the model is combined with the dilated causal convolution and gated activation unit to extract temporal features. With residual and skip connections, PGCN performs the traffic prediction. When applied to seven real-world traffic datasets of diverse geometric nature, the proposed model achieves state-of-the-art performance with consistency in all datasets. We conclude that the ability of PGCN to progressively adapt to input data enables the model to generalize in different study sites with robustness.

研究动机与目标

• 解决在具有动态和不规则数据模式的交通网络中建模复杂时空相关性的挑战。
• 克服现有基于图神经网络的交通预测模型中静态或仅训练阶段自适应图的局限性。
• 开发一种在训练和推理阶段均能逐步适应演化输入数据的图结构的框架。
• 提升模型在具有不同几何和时间特征的多样化城市交通环境中的鲁棒性和泛化能力。
• 在多个现实世界交通预测基准上实现一致的最先进性能。

提出的方法

• PGCN 通过在时间维度上学习图节点之间的趋势相似性，构建渐进式邻接矩阵，实现在训练和测试阶段的动态图自适应。
• 该模型采用空洞因果卷积，有效捕捉交通时间序列中的长程时间依赖性。
• 集成门控激活单元，以增强模型学习复杂时间模式并抑制无关信息的能力。
• 使用残差连接和跳跃连接以稳定训练过程并改善深层网络中的梯度流动。
• 该框架在端到端可微架构中结合自适应图学习与时间特征提取。
• 基于在线输入数据，迭代式地执行动态图构建，确保对交通变化的实时响应。

实验结果

研究问题

• RQ1 交通预测模型是否能在具有不同空间几何特征的多样化现实世界数据集中，持续实现最先进性能？
• RQ2 在推理阶段进行渐进式图自适应，是否能提升对意外交通异常和数据漂移的鲁棒性？
• RQ3 基于趋势相似性的动态图学习方法，在现实世界交通预测中，与静态图或仅训练阶段自适应图方法相比，表现如何？
• RQ4 空洞卷积与门控单元的集成，在时空交通预测中对时间特征提取的增强作用有多大？
• RQ5 所提出的框架是否能在无需微调的情况下，有效泛化到不同城市交通环境？

主要发现

• PGCN 在七个真实世界交通预测数据集上均达到最先进性能，在所有基准测试中持续优于现有方法。
• 由于在推理阶段实施渐进式图自适应，该模型对数据异常和意外变化表现出更优的鲁棒性。
• 基于趋势相似性的动态图学习方法，能够更好地捕捉交通网络中随时间演化的空间依赖关系。
• 空洞因果卷积与门控单元的集成显著提升了时间特征表示能力和预测精度。
• 残差连接与跳跃连接有助于训练稳定，并在深层网络中提升性能，尤其在深度架构中表现突出。
• 该框架在多样化城市环境中表现出良好的泛化能力，表明其具备强大的可迁移性与适应性。