[论文解读] Spatio-Temporal Dual Graph Neural Networks for Travel Time Estimation

Guangyin Jin, Huan Yan+3 more|arXiv (Cornell University)|May 28, 2021

Traffic Prediction and Management Techniques参考文献 45被引用 4

一句话总结

本文提出时空双图神经网络（STDGNN），一种新颖的端到端深度学习框架，通过节点级图与边级图联合建模道路路段与交叉口，以提升行程时间估计性能。通过融合多尺度时空双图学习与多任务学习，STDGNN 在三个真实世界数据集上实现最先进性能，显著优于现有基线方法。

ABSTRACT

Travel time estimation is one of the core tasks for the development of intelligent transportation systems. Most previous works model the road segments or intersections separately by learning their spatio-temporal characteristics to estimate travel time. However, due to the continuous alternations of the road segments and intersections in a path, the dynamic features are supposed to be coupled and interactive. Therefore, modeling one of them limits further improvement in accuracy of estimating travel time. To address the above problems, a novel graph-based deep learning framework for travel time estimation is proposed in this paper, namely Spatio-Temporal Dual Graph Neural Networks (STDGNN). Specifically, we first establish the node-wise and edge-wise graphs to respectively characterize the adjacency relations of intersections and that of road segments. In order to extract the joint spatio-temporal correlations of the intersections and road segments, we adopt the spatio-temporal dual graph learning approach that incorporates multiple spatial-temporal dual graph learning modules with multi-scale network architectures for capturing multi-level spatial-temporal information from the dual graph. Finally, we employ the multi-task learning approach to estimate the travel time of a given whole route, each road segment and intersection simultaneously. We conduct extensive experiments to evaluate our proposed model on three real-world trajectory datasets, and the experimental results show that STDGNN significantly outperforms several state-of-art baselines.

研究动机与目标

• 为解决先前研究仅孤立建模道路路段或交叉口的局限性，从而导致行程时间估计性能不佳的问题。
• 捕捉交叉口与道路路段之间动态相互依赖的联合时空相关性，这些相关性在真实交通网络中普遍存在。
• 开发一种统一的、端到端的深度学习框架，同时估计完整路径、单个道路路段及交叉口的行程时间。
• 通过双图结构建模静态属性与交叉口及道路路段之间的动态交互，提升估计精度。

提出的方法

• 构建两个独立图：用于交叉口的节点级图与用于道路路段的边级图，各自编码结构特征与静态属性。
• 设计时空双图学习模块，分别对两个图应用空间图卷积与时间卷积，以提取独立的时空模式。
• 引入双图交互机制，聚合并交换节点级图与边级图之间的潜在表征，实现跨层级的特征交互。
• 采用多尺度网络架构，捕捉不同感受野下的分层与多级表征。
• 利用多任务学习联合预测完整路径、单个道路路段与交叉口的行程时间，增强特征共享与模型泛化能力。
• 引入可学习的 P-矩阵，以建模交叉口与道路路段之间的空间邻近性，提升双图框架中的结构对齐性。

实验结果

研究问题

• RQ1 与分别建模相比，通过双图结构联合建模交叉口与道路路段是否能提升行程时间估计的准确性？
• RQ2 交叉口与道路路段的独立时空动态在交通流传播过程中如何相互作用并产生影响？
• RQ3 双图交互机制在捕捉城市道路网络中跨结构依赖关系方面有何影响？
• RQ4 模型超参数（如层数与潜在维度）如何影响 STDGNN 框架的性能与泛化能力？
• RQ5 各独立组件（如无交叉口、无道路路段、无 P-矩阵）对模型整体性能的贡献程度如何？

主要发现

• STDGNN 在三个真实轨迹数据集上显著优于最先进基线方法，所有指标的 RMSE、MAE 与 MAPE 均更低。
• 消融实验表明，移除交叉口、道路路段或 P-矩阵均导致性能显著下降——在波尔图数据集中 MAE 最高下降达 6.07%，证明两者均具有关键作用。
• 最优模型配置在成都数据集中使用 3 层与 30 维潜在空间，在波尔图数据集中使用 20 维，表明更大的维度并不总能提升性能，可能因过拟合而适得其反。
• 性能在 3 层时达到峰值；增至 4 层后性能下降，表明更深网络可能在给定数据上过拟合或难以泛化。
• 多尺度架构增强了特征表征能力，多任务学习设置通过路径、路段与交叉口预测之间的知识共享，提升了估计精度。