[论文解读] Revisiting Flow Information for Traffic Prediction

Xian Zhou, Yanyan Shen+1 more|arXiv (Cornell University)|Jun 3, 2019

Traffic Prediction and Management Techniques参考文献 18被引用 6

一句话总结

本文提出FlowConvGRU，一种新型交通预测模型，通过将流量感知图卷积与门控循环单元相结合，显式建模区域之间的动态交通流相关性。通过构建基于流量的图并学习自适应感受野，该方法捕捉非局部、时变的流量动态，实现最先进性能——尤其在高流量波动的高峰时段表现突出。

ABSTRACT

Traffic prediction is a fundamental task in many real applications, which aims to predict the future traffic volume in any region of a city. In essence, traffic volume in a region is the aggregation of traffic flows from/to the region. However, existing traffic prediction methods focus on modeling complex spatiotemporal traffic correlations and seldomly study the influence of the original traffic flows among regions. In this paper, we revisit the traffic flow information and exploit the direct flow correlations among regions towards more accurate traffic prediction. We introduce a novel flow-aware graph convolution to model dynamic flow correlations among regions. We further introduce an integrated Gated Recurrent Unit network to incorporate flow correlations with spatiotemporal modeling. The experimental results on real-world traffic datasets validate the effectiveness of the proposed method, especially on the traffic conditions with a great change on flows.

研究动机与目标

• 解决现有交通预测模型忽略区域间直接交通流相关性的问题。
• 建模不受地理邻近性限制的动态、非局部流量相关性。
• 提升在高流量波动场景（如早、晚高峰时段）下的预测准确性。
• 通过统一的深度学习架构，整合基于流量的相关性与空间相关性。
• 证明流量感知图卷积在捕捉演化交通动态方面的有效性。

提出的方法

• 构建一个有向流量图，其中节点代表区域，边权重表示区域之间的动态交通流。
• 设计一种流量感知图卷积模块，基于实时流量模式学习动态的、区域特定的感受野。
• 将流量感知图卷积与标准空间卷积相结合，以同时捕捉长程流量相关性与局部空间依赖性。
• 通过门控循环单元（GRU）内的早期融合机制，整合两种卷积的输出，以建模时空动态。
• 堆叠多个FlowConvGRU模块，构建深层架构，以捕捉分层的时空特征。
• 使用最终的全连接层，基于融合的时空表征预测未来交通流量。

实验结果

研究问题

• RQ1 与仅依赖历史流量模式相比，建模区域间的直接交通流相关性是否能提升交通预测准确性？
• RQ2 所提出的流量感知图卷积在捕捉非局部且动态变化的交通相关性方面效果如何？
• RQ3 在高交通波动期（如高峰时段）整合流量相关性是否能提升性能？
• RQ4 FlowConvGRU网络的深度如何影响预测性能与泛化能力？
• RQ5 流量动态（通过Jaccard相似性和Earth Mover’s Distance衡量）与预测难度的相关程度如何？

主要发现

• 所提出的FlowConvGRU模型在两个真实世界交通数据集上均达到最先进性能，在整体预测与高峰时段预测中均优于现有方法。
• 在流量波动较高的实例中，模型显著降低了预测误差，其中TaxiNYC的EMD > 0.1，TaxiCD的EMD > 0.005。
• 连续时间间隔内流量连接区域之间的Jaccard相似性大多低于0.25，表明流量模式高度动态且非平稳。
• EMD距离分析证实，早、晚高峰时段交通流表现出显著的时间变化，这些是预测最具挑战性的场景。
• 三层FlowConvGRU结构达到最优性能，表明在捕捉远距离空间相关性与避免因未连接区域导致的过拟合之间存在权衡。
• 将流量感知图卷积与GRU结合，可实现更优的特征交互，提升泛化能力，尤其在动态交通条件下表现更优。