[论文解读] Spatiotemporal Recurrent Convolutional Networks for Traffic Prediction in Transportation Networks

Haiyang Yu, Zhihai Wu+3 more|arXiv (Cornell University)|May 7, 2017

Traffic Prediction and Management Techniques参考文献 39被引用 7

一句话总结

本文提出时空循环卷积网络（SRCNs），一种深度学习模型，结合卷积神经网络（CNNs）以建模空间依赖性，以及长短期记忆（LSTM）网络以捕捉时间动态，用于预测大规模交通网络中的交通速度。在包含278条路段的北京网络上进行评估，SRCNs在短期和长期交通预测中均优于现有深度学习方法，展现出在真实世界数据上的卓越准确性和泛化能力。

ABSTRACT

Predicting large-scale transportation network traffic has become an important and challenging topic in recent decades. Inspired by the domain knowledge of motion prediction, in which the future motion of an object can be predicted based on previous scenes, we propose a network grid representation method that can retain the fine-scale structure of a transportation network. Network-wide traffic speeds are converted into a series of static images and input into a novel deep architecture, namely, spatiotemporal recurrent convolutional networks (SRCNs), for traffic forecasting. The proposed SRCNs inherit the advantages of deep convolutional neural networks (DCNNs) and long short-term memory (LSTM) neural networks. The spatial dependencies of network-wide traffic can be captured by DCNNs, and the temporal dynamics can be learned by LSTMs. An experiment on a Beijing transportation network with 278 links demonstrates that SRCNs outperform other deep learning-based algorithms in both short-term and long-term traffic prediction.

研究动机与目标

• 解决复杂交通网络中大规模交通预测的准确性挑战。
• 同时对道路路段之间的空间依赖性与交通流的时间动态进行建模。
• 开发一种深度学习框架，利用全网交通的网格化表示以提升预测性能。
• 在短期和长期交通预测任务中超越现有深度学习模型。

提出的方法

• 将网络中各路段的交通速度转换为静态网格图像，以保留细粒度的空间结构。
• 应用卷积神经网络（CNN）从网格表示中提取空间特征。
• 使用长短期记忆（LSTM）网络处理空间特征序列，以建模时间演化过程。
• 所提出的联合架构SRCN结合了CNN用于空间建模，以及LSTM用于时间序列学习。
• 通过反向传播端到端训练模型，以最小化历史交通速度数据上的预测误差。
• 网格化表示方法确保了空间连续性，并增强了对细粒度网络拓扑结构的感知能力。

实验结果

研究问题

• RQ1 深度学习模型能否有效捕捉大规模交通网络中的空间与时间依赖性？
• RQ2 所提出的SRCN架构在交通预测准确率方面与现有深度学习模型相比表现如何？
• RQ3 该模型在不同预测时域（包括长期预测）上的泛化能力如何？
• RQ4 基于网格的表示方法是否能有效保留对准确预测至关重要的空间关系？

主要发现

• SRCNs在北京市交通网络的短期和长期交通预测任务中均达到当前最优性能。
• 在预测准确率方面，该模型优于其他基于深度学习的基线模型，包括标准RNN、LSTM以及CNN-LSTM混合模型。
• 空间CNN与时间LSTM的融合有效实现了对复杂时空交通模式的建模。
• 网格化表示方法成功保持了细粒度的空间结构，从而提升了模型性能。
• SRCNs在不同预测时域上表现出强鲁棒性和良好泛化能力，证实其适用于实际部署。