[论文解读] Temporal Graph Convolutional Network for Urban Traffic Flow Prediction Method.

Ling Zhao, Yujiao Song+2 more|arXiv (Cornell University)|Nov 12, 2018

Traffic Prediction and Management Techniques参考文献 26被引用 34

一句话总结

本文提出了一种时间图卷积网络（T-GCN），通过结合图卷积网络（GCN）与门控循环单元（GRU），对城市交通流中的空间与时间依赖关系进行建模。该方法在真实世界数据集上优于最先进基线模型，有效捕捉了道路网络中的时空相关性。

ABSTRACT

Accurate and real-time traffic forecasting plays an important role in the Intelligent Traffic System and is of great significance for urban traffic planning, traffic management, and traffic control. However, traffic forecasting has always been considered an open scientific issue, owing to the constraints of urban road network topological structure and the law of dynamic change with time, namely, spatial dependence and temporal dependence. To capture the spatial and temporal dependence simultaneously, we propose a novel neural network-based traffic forecasting method, the temporal graph convolutional network (T-GCN) model, which is in combination with the graph convolutional network (GCN) and gated recurrent unit (GRU). Specifically, the GCN is used to learn complex topological structures to capture spatial dependence and the gated recurrent unit is used to learn dynamic changes of traffic data to capture temporal dependence. Then, the T-GCN model is employed to traffic forecasting based on the urban road network. Experiments demonstrate that our T-GCN model can obtain the spatio-temporal correlation from traffic data and the predictions outperform state-of-art baselines on real-world traffic datasets. Our tensorflow implementation of the T-GCN is available at this https URL.

研究动机与目标

• 为解决实时准确预测城市交通流的挑战。
• 对城市道路网络拓扑结构引发的复杂空间依赖关系进行建模。
• 捕捉交通数据随时间演变的动态特性。
• 构建一个统一的深度学习框架，联合建模空间与时间依赖关系。
• 相比现有最先进方法，提升预测性能。

提出的方法

• T-GCN模型利用图卷积网络（GCN）基于道路网络拓扑结构，学习交通传感器之间的空间关系。
• 采用门控循环单元（GRU）对交通流数据的时间动态与序列变化进行建模。
• GCN在城市道路网络的图表示上处理交通数据，通过节点间的消息传递编码空间依赖性。
• GRU组件随时间处理GCN的输出，学习长期时间模式与依赖关系。
• 模型采用端到端的序列到序列框架，在历史交通流数据上进行训练。
• T-GCN模型的TensorFlow实现已公开，便于复现与进一步研究。

实验结果

研究问题

• RQ1 深度学习模型能否有效捕捉城市交通流数据中的空间与时间依赖关系？
• RQ2 GCN与GRU的结合相较于独立模型，如何提升交通预测的准确性？
• RQ3 T-GCN模型在不同真实世界城市交通数据集上的泛化能力如何？
• RQ4 所提出方法在预测准确性方面是否优于现有最先进交通预测方法？

主要发现

• T-GCN通过结合GCN与GRU组件，成功捕捉了城市交通流数据中的时空相关性。
• 在真实世界交通数据集上，该模型性能优于最先进基线方法。
• GCN的引入使得道路网络结构中的空间依赖关系得以有效建模。
• GRU的使用使模型能够学习交通序列中的复杂时间动态与长期依赖关系。
• 所提出方法在多个评估指标上均表现出一致的预测准确性提升。