[论文解读] STGC-GNNs: A GNN-based traffic prediction framework with a spatial-temporal Granger causality graph

Silu He, Qinyao Luo+3 more|arXiv (Cornell University)|Oct 30, 2022

Traffic Prediction and Management Techniques被引用 4

一句话总结

本文提出 STGC-GNNs，一种基于图神经网络的交通预测框架，通过时空格兰杰因果关系（STGC）建模全局且动态的空间依赖性，以捕捉长距离、宏观的交通流传播。通过时空对齐算法与格兰杰因果检验，从长期交通时间序列中检测出稳定的因果关系，STGC-GNNs 在 METR_LA 数据集上对三种主干模型的 45 分钟和 1 小时预测性能均得到提升，优于静态空间图。

ABSTRACT

The key to traffic prediction is to accurately depict the temporal dynamics of traffic flow traveling in a road network, so it is important to model the spatial dependence of the road network. The essence of spatial dependence is to accurately describe how traffic information transmission is affected by other nodes in the road network, and the GNN-based traffic prediction model, as a benchmark for traffic prediction, has become the most common method for the ability to model spatial dependence by transmitting traffic information with the message passing mechanism. However, existing methods model a local and static spatial dependence, which cannot transmit the global-dynamic traffic information (GDTi) required for long-term prediction. The challenge is the difficulty of detecting the precise transmission of GDTi due to the uncertainty of individual transport, especially for long-term transmission. In this paper, we propose a new hypothesis\: GDTi behaves macroscopically as a transmitting causal relationship (TCR) underlying traffic flow, which remains stable under dynamic changing traffic flow. We further propose spatial-temporal Granger causality (STGC) to express TCR, which models global and dynamic spatial dependence. To model global transmission, we model the causal order and causal lag of TCRs global transmission by a spatial-temporal alignment algorithm. To capture dynamic spatial dependence, we approximate the stable TCR underlying dynamic traffic flow by a Granger causality test. The experimental results on three backbone models show that using STGC to model the spatial dependence has better results than the original model for 45 min and 1 h long-term prediction.

研究动机与目标

• 解决现有基于图神经网络的交通模型在长时域内捕捉全局动态交通信息传播（GDTi）的局限性。
• 将空间依赖性建模为非静态局部连接，而是基于长期交通流动态的稳定、方向性因果关系。
• 开发一种方法，利用时间序列数据检测并利用交通流中的宏观传播因果关系（TCR）。
• 通过用动态推导的因果图替代静态空间图，提升长期预测性能，特别是 45 分钟和 1 小时预测的准确性。
• 验证基于 STGC 的空间依赖性比传统静态图结构更能有效捕捉长距离依赖关系。

提出的方法

• 提出传播因果关系（TCR）假设：尽管微观层面的车辆行为具有不确定性，但宏观层面的交通流表现出稳定的因果传播模式。
• 开发一种时空对齐算法，以识别交通时间序列中节点之间的因果顺序与滞后，实现方向性因果关系的检测。
• 在对齐的时间序列上应用格兰杰因果检验，以检测稳定的因果依赖关系，构建时空格兰杰因果（STGC）图。
• 将 STGC 图作为空间拓扑输入，集成到基于图神经网络的交通预测模型中，替代传统的静态路网图。
• 使用三种主干图神经网络模型（如 T-GCN、Graph WaveNet、STGCN）在一致的训练与推理协议下评估 STGC-GNN 框架。
• 在 METR_LA 数据集上训练并测试该框架，以评估其在不同预测时域和节点类型下的性能表现。

实验结果

研究问题

• RQ1 是否存在一种稳定、方向性的因果关系，可作为道路网络中全局动态交通信息（GDTi）长期传播的基础？
• RQ2 时空格兰杰因果关系是否能有效检测并建模静态空间图无法捕捉的动态空间依赖性？
• RQ3 用 STGC 推导的图替代静态空间图，是否能提升长期交通预测的准确性？
• RQ4 STGC-GNN 框架在对长距离依赖性更敏感的远距离、边界及交叉路口节点上的表现如何？
• RQ5 基于 STGC 的方法是否能在 45 分钟和 1 小时的交通预测中超越基线图神经网络模型？

主要发现

• 在 METR_LA 数据集上，STGC-GNNs 在所有三种主干模型的 45 分钟和 60 分钟交通预测中，显著优于基线图神经网络模型。
• 该模型提升了所有节点类型（包括交叉路口、边界及远距离节点）的预测精度，证明其在长距离依赖关系捕捉方面的有效性。
• STGC 图成功捕捉了与真实道路网络中上游-下游交通流模式高度一致的方向性因果关系。
• 时空对齐算法成功识别了因果顺序与滞后，实现了从时间序列数据中准确检测 TCR 的能力。
• 对对齐时间序列应用格兰杰因果检验后，即使在动态变化的交通条件下，仍能揭示稳定的因果依赖关系。
• 该框架表明，将空间依赖性建模为动态因果结构，相比静态局部连接，能获得更优的长期预测性能。