[论文解读] Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting

Chuanpan Zheng, Xiaoliang Fan+6 more|arXiv (Cornell University)|Nov 25, 2021

Traffic Prediction and Management Techniques参考文献 48被引用 8

一句话总结

该论文提出了一种新型图神经网络架构——时空联合图卷积网络（STJGCN），通过在不同时步的节点之间构建自适应和预定义的时空联合图（STJG），显式建模动态且全面的时空相关性。该方法采用空洞因果卷积和多范围注意力机制，有效捕捉长程依赖关系，在五个公开的交通预测数据集上实现了最先进的性能，同时具备高计算效率。

ABSTRACT

Recent studies have shifted their focus towards formulating traffic forecasting as a spatio-temporal graph modeling problem. Typically, they constructed a static spatial graph at each time step and then connected each node with itself between adjacent time steps to create a spatio-temporal graph. However, this approach failed to explicitly reflect the correlations between different nodes at different time steps, thus limiting the learning capability of graph neural networks. Additionally, those models overlooked the dynamic spatio-temporal correlations among nodes by using the same adjacency matrix across different time steps. To address these limitations, we propose a novel approach called Spatio-Temporal Joint Graph Convolutional Networks (STJGCN) for accurate traffic forecasting on road networks over multiple future time steps. Specifically, our method encompasses the construction of both pre-defined and adaptive spatio-temporal joint graphs (STJGs) between any two time steps, which represent comprehensive and dynamic spatio-temporal correlations. We further introduce dilated causal spatio-temporal joint graph convolution layers on the STJG to capture spatio-temporal dependencies from distinct perspectives with multiple ranges. To aggregate information from different ranges, we propose a multi-range attention mechanism. Finally, we evaluate our approach on five public traffic datasets and experimental results demonstrate that STJGCN is not only computationally efficient but also outperforms 11 state-of-the-art baseline methods.

研究动机与目标

• 解决现有时空图模型未能显式建模不同时步节点之间跨时空相关性的局限性。
• 克服先前方法中邻接矩阵静态的缺陷，后者忽略了随时间演变的动态时空相关性。
• 开发一种计算高效的深度学习框架，以捕捉时空维度上的长程依赖关系，实现多步交通预测。
• 通过建模道路网络传感器在时空维度上的全面且动态的交互关系，提升交通预测的准确性。

提出的方法

• 构建预定义与自适应的时空联合图（STJG），以建模不同时步节点之间的动态且全面的相关性。
• 引入空洞因果时空联合图卷积层，通过可变感受野捕捉多时间范围的依赖关系。
• 采用多范围注意力机制，聚合来自不同时间与空间邻近范围的信息，增强特征表示能力。
• 使用带有可学习权重（β）的混合损失函数，平衡训练过程中的MAE、RMSE与MAPE，提升模型鲁棒性。
• 在PeMSD4上使用卷积核大小K=3，在PeMSD8上使用K=2，以优化感受野大小并避免过多上下文带来的噪声。
• 调节超参数δ_pdf与δ_adt，以平衡数据驱动与自适应图学习组件，实现各数据集上的最优性能。

实验结果

研究问题

• RQ1 在不同时步的节点之间建模全面的时空相关性，是否能提升交通预测的准确性？
• RQ2 与静态或固定的时间连接相比，使用动态自适应的时空联合图在捕捉演变交通模式方面表现如何？
• RQ3 空洞卷积与多范围注意力机制在多大程度上增强了交通预测中的长程依赖建模能力？
• RQ4 所提出的STJGCN是否在预测准确性、模型大小与推理速度之间实现了优于SOTA方法的平衡？

主要发现

• 在五个公开交通预测数据集上，STJGCN在所有预测时长下均优于11种SOTA基线方法，各项指标（MAE、RMSE、MAPE）表现更优。
• 在PeMSD4数据集上，STJGCN实现MAE为2.34，RMSE为3.81，MAPE为10.21%，显著优于Graph WaveNet与GMAN。
• 在PeMSD8数据集上，STJGCN实现MAE为2.51，RMSE为4.03，MAPE为10.89%，展现出在不同路网结构上的强泛化能力。
• 该模型计算效率高：参数量少于多数基线模型，且推理速度极快，仅次于STSGCN与AGCRN（后者准确率更低）。
• 当PeMSD4上卷积核大小K超过3，PeMSD8上K超过2时，性能下降，表明更大的感受野会引入噪声并降低有效性。
• 最优超参数为：PeMSD4上δ_pdf=0.5，δ_adt=0.5；PeMSD8上δ_pdf=0.5，δ_adt=0.3；对应β值分别为1.0与1.5，实现损失分量的最佳平衡以获得最优泛化性能。