[论文解读] Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting

Song Yang, Jiamou Liu+1 more|arXiv (Cornell University)|Sep 11, 2021

Traffic Prediction and Management Techniques被引用 5

一句话总结

本文提出一种局部时空神经网络（STNN），通过建模固定时间窗口内的邻近传感器所构成的局部时空上下文，结合新颖的时空卷积与注意力机制，捕捉交通流中普遍存在的时空相关性。该模型相比最先进方法预测准确率提升4%，且在无需结构微调的情况下可泛化至未见过的道路网络。

ABSTRACT

Traffic flow forecasting is a crucial task in urban computing. The challenge arises as traffic flows often exhibit intrinsic and latent spatio-temporal correlations that cannot be identified by extracting the spatial and temporal patterns of traffic data separately. We argue that such correlations are universal and play a pivotal role in traffic flow. We put forward {spacetime interval learning} as a paradigm to explicitly capture these correlations through a unified analysis of both spatial and temporal features. Unlike the state-of-the-art methods, which are restricted to a particular road network, we model the universal spatio-temporal correlations that are transferable from cities to cities. To this end, we propose a new spacetime interval learning framework that constructs a local-spacetime context of a traffic sensor comprising the data from its neighbors within close time points. Based on this idea, we introduce local spacetime neural network (STNN), which employs novel spacetime convolution and attention mechanism to learn the universal spatio-temporal correlations. The proposed STNN captures local traffic patterns, which does not depend on a specific network structure. As a result, a trained STNN model can be applied on any unseen traffic networks. We evaluate the proposed STNN on two public real-world traffic datasets and a simulated dataset on dynamic networks. The experiment results show that STNN not only improves prediction accuracy by 4% over state-of-the-art methods, but is also effective in handling the case when the traffic network undergoes dynamic changes as well as the superior generalization capability.

研究动机与目标

• 解决现有基于图神经网络（GNN）的交通预测模型受限于特定道路网络拓扑结构的问题。
• 捕捉与网络结构无关的、内在的、普遍的时空相关性。
• 开发一种可扩展且泛化能力强的模型，不依赖全局图卷积或固定网络拓扑。
• 通过建模局部时空上下文而非全局依赖关系，实现在动态道路网络上的有效预测。
• 通过显式学习空间与时间交通事件之间时变相关性，提升预测准确率。

提出的方法

• 提出一种时空区间学习范式，将空间与时间维度融合为统一的时空流形。
• 为每个目标传感器构建局部时空上下文，利用固定时间窗口内的邻近传感器，类似于感受野。
• 设计一种时空卷积模块，同时处理空间邻近关系与时间步长上的特征，采用一维卷积在两个维度上并行操作。
• 引入一种时空注意力机制，动态加权跨空间与时间的有影响力历史事件，突出关键交通事件的贡献。
• 通过分别应用卷积层实现空间邻近性与时间序列学习的解耦，提升建模灵活性。
• 通过确保计算复杂度仅依赖于局部时空上下文大小而非全网规模，保障模型可扩展性。

实验结果

研究问题

• RQ1 能否通过统一的时空表示而非分离的空间与时间建模，有效捕捉交通流中的时空相关性？
• RQ2 在未见道路网络上，模型在不重新训练或修改架构的情况下，泛化能力有多强？
• RQ3 与基于全局图的方法相比，建模局部时空上下文在多大程度上提升了预测准确率？
• RQ4 所提出的时空注意力机制能否识别并优先关注时空上相关的交通事件以支持预测？
• RQ5 在动态网络条件下（如道路连通性变化或传感器不可用）模型表现如何？

主要发现

• 在两个真实世界数据集（METR-LA 和 PeMS-Bay）上，STNN 相比最先进方法预测准确率提升4%。
• 模型展现出卓越的泛化性能，可直接应用于未见过的道路网络，无需重新训练或修改架构。
• 消融实验确认，时空注意力与时空卷积模块为最关键组件，其中后者对性能提升贡献最大。
• 在模拟的动态网络中，模型保持高性能，证明其对道路拓扑变化具有鲁棒性。
• STNN 的计算复杂度与全网规模无关，仅随局部时空上下文规模增长，具备高度可扩展性。
• 模型参数量（308,786）少于 STGCN（454,358）与 MTGCN（405,452），表明其参数效率更高。