[论文解读] Road Network Guided Fine-Grained Urban Traffic Flow Inference

Lingbo Liu, Mengmeng Liu+4 more|arXiv (Cornell University)|Sep 29, 2021

Traffic Prediction and Management Techniques参考文献 8被引用 5

一句话总结

本文提出Road-Aware Traffic Flow Magnifier（RATFM），一种利用道路网络结构作为先验知识的深度学习模型，通过粗粒度传感器数据推断细粒度城市交通流。通过使用多方向1D卷积进行道路特征提取，并采用基于Transformer的模块捕捉长程依赖关系，RATFM在三个真实世界数据集上达到最先进性能，相比先前方法将MAPE降低最多16.83%。

ABSTRACT

Accurate inference of fine-grained traffic flow from coarse-grained one is an emerging yet crucial problem, which can help greatly reduce the number of the required traffic monitoring sensors for cost savings. In this work, we notice that traffic flow has a high correlation with road network, which was either completely ignored or simply treated as an external factor in previous works. To facilitate this problem, we propose a novel Road-Aware Traffic Flow Magnifier (RATFM) that explicitly exploits the prior knowledge of road networks to fully learn the road-aware spatial distribution of fine-grained traffic flow. Specifically, a multi-directional 1D convolutional layer is first introduced to extract the semantic feature of the road network. Subsequently, we incorporate the road network feature and coarse-grained flow feature to regularize the short-range spatial distribution modeling of road-relative traffic flow. Furthermore, we take the road network feature as a query to capture the long-range spatial distribution of traffic flow with a transformer architecture. Benefiting from the road-aware inference mechanism, our method can generate high-quality fine-grained traffic flow maps. Extensive experiments on three real-world datasets show that the proposed RATFM outperforms state-of-the-art models under various scenarios. Our code and datasets are released at {\url{https://github.com/luimoli/RATFM}}.

研究动机与目标

• 解决从有限粗粒度传感器数据生成高分辨率交通流图的挑战。
• 利用道路网络与交通流之间的结构相关性作为先验知识，以提升推断性能。
• 通过道路感知机制建模交通流中的短程与长程空间依赖关系。
• 开发一种在实时城市交通监控中兼具高精度与高效率的方法。

提出的方法

• 使用多方向1D卷积层从高分辨率地理地图中提取语义道路网络特征。
• 将道路网络特征与粗粒度交通流特征融合，以正则化短程空间分布建模。
• 基于Transformer的模块使用道路网络特征作为查询，捕捉交通流中的长程空间依赖关系。
• 通过专用建模模块整合时间与天气等外部因素，以提升时间泛化能力。
• 采用结合L1与L2正则化的多任务损失函数，端到端训练模型以实现细粒度流量预测。
• 架构结合残差块与注意力机制，在保持空间结构的同时增强特征表示能力。

实验结果

研究问题

• RQ1 道路网络结构能否被有效利用作为先验知识以提升细粒度交通流推断性能？
• RQ2 鉴于道路网络细长且延伸的特性，如何比标准2D卷积更有效地建模道路网络？
• RQ3 用于捕捉长程交通流依赖关系的Transformer模块的最优配置是什么？
• RQ4 道路感知特征的集成在多样化城市环境中对性能有何影响？
• RQ5 所提方法能否在历史数据有限的真实交通预测任务中实现良好泛化？

主要发现

• 在TaxiBJ-P1数据集上，RATFM实现最低MAPE为16.83%，优于所有最先进方法。
• 与最佳基线相比，RATFM在TaxiBJ-P1数据集上将MAPE降低最多16.83%。
• 使用8个注意力头和2层Transformer时性能最佳，进一步增加头数或层数将导致性能下降。
• 在XiAn数据集上，RATFM实现32.99%的MAPE，在ChengDu数据集上实现27.84%的MAPE，均优于所有对比模型。
• 在XiAn&ChengDu上的推理时间为16.73ms，在TaxiBJ-P1上为24.94ms，适合实时应用。
• 消融实验表明，道路网络先验显著提升性能，尤其在低信号粗粒度场景下效果更明显。