[论文解读] Spatial-Temporal Interactive Dynamic Graph Convolution Network for Traffic Forecasting

Aoyu Liu, Yaying Zhang|arXiv (Cornell University)|May 18, 2022

Traffic Prediction and Management Techniques被引用 6

一句话总结

本文提出STIDGCN，一种空间-时间交互动态图卷积网络，通过交互学习策略和动态图生成模块，同步捕捉交通数据中的长程时空依赖关系。该模型在四个真实世界数据集上优于最先进基线模型，在PEMS08数据集上实现更低的MAE（14.03）、RMSE（23.35）和MAPE（9.15%）。

ABSTRACT

Accurate traffic forecasting is essential for smart cities to achieve traffic control, route planning, and flow detection. Although many spatial-temporal methods are currently proposed, these methods are deficient in capturing the spatial-temporal dependence of traffic data synchronously. In addition, most of the methods ignore the dynamically changing correlations between road network nodes that arise as traffic data changes. We propose a neural network-based Spatial-Temporal Interactive Dynamic Graph Convolutional Network (STIDGCN) to address the above challenges for traffic forecasting. Specifically, we propose an interactive dynamic graph convolution structure, which divides the sequences at intervals and synchronously captures the traffic data's spatial-temporal dependence through an interactive learning strategy. The interactive learning strategy makes STIDGCN effective for long-term prediction. We also propose a novel dynamic graph convolution module to capture the dynamically changing correlations in the traffic network, consisting of a graph generator and fusion graph convolution. The dynamic graph convolution module can use the input traffic data and pre-defined graph structure to generate a graph structure. It is then fused with the defined adaptive adjacency matrix to generate a dynamic adjacency matrix, which fills the pre-defined graph structure and simulates the generation of dynamic associations between nodes in the road network. Extensive experiments on four real-world traffic flow datasets demonstrate that STIDGCN outperforms the state-of-the-art baseline.

研究动机与目标

• 解决现有模型在捕捉城市交通数据中长程时空依赖关系时常见的碎片化问题。
• 克服静态或预定义空间图的局限性，后者无法有效表征动态、时变的交通相关性。
• 建模隐藏的空间相关性，如空间异质性、动态关联性以及由交通事件引发的不确定性。
• 开发一种高效、非自回归架构，在保持高预测精度的同时降低计算成本。

提出的方法

• 提出一种交互式动态图卷积（IDGCN）模块，通过在时间卷积与图卷积之间以同步、迭代的方式交替更新，增强序列间特征学习。
• 提出一种动态图生成方法，结合输入交通数据与先验知识（如道路网络结构），构建时变邻接矩阵，实现对未见节点连接关系的发现。
• 在交互学习模块中使用参数共享的DGCN模块，扩展空间感受野，提升远距离节点间的泛化能力。
• 采用同步学习策略，使时间特征与空间特征并行更新，避免序列依赖，提升推理速度。
• 将动态图卷积与预定义的初始邻接矩阵相结合，在保留结构先验的同时，允许空间关系自适应演化。
• 设计一种非自回归推理机制，降低计算成本，与ASTGNN等自回归模型形成对比。

实验结果

研究问题

• RQ1 交互学习策略是否能在不依赖自回归生成的前提下，有效捕捉交通预测中的长程时空依赖？
• RQ2 与静态图或自适应图相比，动态图生成在建模时变空间相关性方面有何改进？
• RQ3 在交通预测中，交互学习步骤的最优数量是多少，可实现性能与计算效率的平衡？
• RQ4 动态图生成方法在多大程度上揭示了隐藏的空间相关性，如动态关联与空间异质性？

主要发现

• 在所有对比基线中，STIDGCN在PEMS08数据集上实现了最低的MAE（14.03）、RMSE（23.35）和MAPE（9.15%）。
• 该模型在准确率与计算效率两方面均优于最先进方法，包括ASTGNN、STG-NCDE与Graph WaveNet。
• IDGCN模块中参数共享的DGCN模块性能优于独立DGCN模块，表明共享感受野有助于提升特征学习。
• 将交互学习步骤从2步减少至1步会降低性能，表明两次迭代是捕捉依赖关系的最优配置。
• 将交互步骤数超过2步会导致性能下降，表明特征优化存在过拟合或收益递减现象。
• 与ASTGNN（44.48秒/epoch，23.70秒）和STG-NCDE（84.47秒/epoch）相比，STIDGCN显著降低训练时间（22.16秒/epoch）与推理时间（2.43秒），展现出高效率。