[论文解读] Spatio-Temporal Point Processes with Attention for Traffic Congestion Event Modeling

Shixiang Zhu, Ruyi Ding+3 more|arXiv (Cornell University)|May 15, 2020

Traffic Prediction and Management Techniques参考文献 43被引用 4

一句话总结

该论文提出了一种结合注意力机制与尾部向上的空间相关结构的时空点过程模型，利用交通传感器和警方报告的多模态数据来建模交通拥堵事件。通过利用自适应注意力机制捕捉非单调的时间依赖性以及道路网络的定向结构，该模型在真实数据和合成数据上的似然度与预测准确率方面均优于当前最先进方法。

ABSTRACT

We present a novel framework for modeling traffic congestion events over road networks. Using multi-modal data by combining count data from traffic sensors with police reports that report traffic incidents, we aim to capture two types of triggering effect for congestion events. Current traffic congestion at one location may cause future congestion over the road network, and traffic incidents may cause spread traffic congestion. To model the non-homogeneous temporal dependence of the event on the past, we use a novel attention-based mechanism based on neural networks embedding for point processes. To incorporate the directional spatial dependence induced by the road network, we adapt the "tail-up" model from the context of spatial statistics to the traffic network setting. We demonstrate our approach's superior performance compared to the state-of-the-art methods for both synthetic and real data.

研究动机与目标

• 建模由自激（现有拥堵的传播）和外源触发（警方报告的交通事件）共同导致的交通拥堵事件。
• 解决传统霍克斯过程假设影响随时间和空间单调衰减的局限性，该假设无法反映真实交通动态中的长期阻塞现象。
• 通过定制化的“尾部向上”空间模型，形式化地整合道路网络中固有的方向性空间相关性，即上游拥堵影响下游流量。
• 开发一种灵活且可解释的注意力机制，以学习过去与当前拥堵事件之间非平稳的时空依赖关系。
• 通过结合多模态数据源与基于神经网络的先进注意力机制，提升点过程模型的预测准确率与似然度。

提出的方法

• 该模型采用基于神经网络的注意力机制，学习过去与当前拥堵事件之间的动态非单调影响得分，取代固定的参数化衰减函数。
• 引入自适应得分函数，基于交通网络中非平稳的时空距离衡量过去事件的重要性，增强可解释性。
• 将空间统计中的“尾部向上”模型适配用于表示道路网络中的方向性空间依赖，捕捉传感器间的流量依赖相关性。
• 该框架整合两条数据流：交通传感器数据（用于检测拥堵事件）与警方报告（用于识别事件触发的拥堵），以建模内生与外源影响。
• 注意力机制被嵌入点过程框架中，使未来事件的强度可依赖于加权历史事件，且权重由学习得到的注意力权重决定。
• 模型通过似然度最大化实现端到端训练，支持时间动态与空间结构的联合估计。

实验结果

研究问题

• RQ1 基于注意力的机制能否有效建模交通拥堵事件中的非单调时间影响，特别是在拥堵效应在延迟后持续或重新出现的情况下？
• RQ2 如何将道路网络的方向性空间结构正式纳入时空点过程中，以改善拥堵传播的建模？
• RQ3 将交通传感器数据与警方事件报告相结合，能在多大程度上提升拥堵事件模型的预测性能？
• RQ4 模型学习到的注意力得分能否提供关于拥堵事件与事件之间因果关系的可解释洞察？
• RQ5 在真实世界交通数据上，该模型相较于最先进方法在似然度与预测准确率方面的表现如何？

主要发现

• 所提出的基于注意力的时空点过程（APP）模型在合成与真实交通数据上均实现了比最先进方法更高的似然度与预测准确率。
• 注意力机制成功捕捉了非单调影响模式，如事件后延迟或持续的拥堵效应，而采用指数衰减的标准模型无法有效表示此类现象。
• 学习到的注意力得分揭示了可解释的模式，例如对应于南北向高速公路方向的“网络社区”，且跨方向影响较低。
• 尾部向上空间模型有效捕捉了方向性空间相关性，表现为同一流向方向上的传感器相关性更强，且在高峰时段与午夜时段表现出动态变化。
• 尾部向上模型学习到的协方差矩阵显示，高速公路连接段（C1–C4）在构建空间依赖结构中起关键作用，尤其是在高峰时段。
• 该模型在多种评估指标与数据配置下均表现出鲁棒性与灵活性，优于基线模型。