[论文解读] Spatio-Temporal Meta-Graph Learning for Traffic Forecasting

Renhe Jiang, Zhaonan Wang+7 more|arXiv (Cornell University)|Nov 27, 2022

Traffic Prediction and Management Techniques被引用 11

一句话总结

该论文提出了一种新颖的时空元图学习机制，集成于元图卷积循环网络（MegaCRN）中，通过元节点库和超网络动态学习节点嵌入，以解耦时空异质性并适应非平稳交通状况。该模型在METR-LA、PEMS-BAY以及一个新的大规模东京数据集（EXPY-TKY）上实现了最先进性能，展现出卓越的准确性和对突发事件的鲁棒性。

ABSTRACT

Traffic forecasting as a canonical task of multivariate time series forecasting has been a significant research topic in AI community. To address the spatio-temporal heterogeneity and non-stationarity implied in the traffic stream, in this study, we propose Spatio-Temporal Meta-Graph Learning as a novel Graph Structure Learning mechanism on spatio-temporal data. Specifically, we implement this idea into Meta-Graph Convolutional Recurrent Network (MegaCRN) by plugging the Meta-Graph Learner powered by a Meta-Node Bank into GCRN encoder-decoder. We conduct a comprehensive evaluation on two benchmark datasets (i.e., METR-LA and PEMS-BAY) and a new large-scale traffic speed dataset called EXPY-TKY that covers 1843 expressway road links in Tokyo. Our model outperformed the state-of-the-arts on all three datasets. Besides, through a series of qualitative evaluations, we demonstrate that our model can explicitly disentangle the road links and time slots with different patterns and be robustly adaptive to any anomalous traffic situations. Codes and datasets are available at https://github.com/deepkashiwa20/MegaCRN.

研究动机与目标

• 为解决现有模型难以有效捕捉的交通预测中的时空异质性与非平稳性问题。
• 开发一种图结构学习机制，显式解耦具有不同交通模式的道路路段与时间片段。
• 实现对异常交通事件（如事故与拥堵）的鲁棒自适应，而无需重新训练。
• 构建一种可扩展、内存高效的模型，能够在多样化的交通模式和大规模路网中实现良好泛化。

提出的方法

• 元图学习器从可学习的元节点库中查询原型，为每个时间步生成动态节点嵌入。
• 采用超网络基于所查询的原型重建节点嵌入，实现参数高效的自适应。
• 该方法集成于GCRN编码器-解码器框架中，形成端到端交通预测的MegaCRN架构。
• 模型学习随时间变化、受输入条件影响的图结构，以反映演变的空间依赖关系与交通动态。
• 元节点库存储局部化、模式特定的表示，使模型能够区分不同道路类型与交通模式。
• 该方法避免依赖固定或启发式图定义，转而直接从数据中学习图结构。

实验结果

研究问题

• RQ1 基于元学习的图结构学习机制是否能有效解耦交通数据中的时空异质性？
• RQ2 动态学习的图结构在应对非平稳交通状况（如事故与高峰时段）时适应能力如何？
• RQ3 所提出的元图学习器相较于静态或自适应图方法是否能提升预测准确性？
• RQ4 该模型能否在具有复杂事件模式的大规模真实路网中实现良好泛化？

主要发现

• MegaCRN在基准数据集（METR-LA与PEMS-BAY）上均实现了最先进性能，优于现有最先进模型。
• 在新发布的、包含1,843条道路路段的东京数据集EXPY-TKY上，MegaCRN在所有评估模型中取得了最低的整体MAE。
• 该模型仅使用133,597个参数，位列第二少，同时实现了最小的MAE，表明其具有极高的内存效率。
• t-SNE可视化结果证实，模型能按空间与时间模式对道路路段进行聚类，如互通立交与收费站，表现出明显不同的行为特征。
• 模型成功捕捉了事件引发的交通扰动，注意力权重与局部元图在事故发生后发生动态调整。
• 局部元图随时间演变，显示事故后节点1的影响力下降，而邻近节点（7–10）的中心性增强，验证了模型的动态适应能力。