[论文解读] Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network

Xiyue Zhang, Chao Huang+6 more|arXiv (Cornell University)|Oct 8, 2021

Traffic Prediction and Management TechniquesEngineering被引用 21

一句话总结

该论文提出ST-GDN，一种时空图扩散网络，通过多尺度自注意力机制捕捉多分辨率时间动态，并通过分层结构图神经网络同时建模局部与全局空间依赖关系。该框架通过显式整合局部地理相关性与长程跨区域依赖关系，在多个真实世界交通数据集上实现了最先进性能。

ABSTRACT

Accurate forecasting of citywide traffic flow has been playing critical role in a variety of spatial-temporal mining applications, such as intelligent traffic control and public risk assessment. While previous work has made significant efforts to learn traffic temporal dynamics and spatial dependencies, two key limitations exist in current models. First, only the neighboring spatial correlations among adjacent regions are considered in most existing methods, and the global inter-region dependency is ignored. Additionally, these methods fail to encode the complex traffic transition regularities exhibited with time-dependent and multi-resolution in nature. To tackle these challenges, we develop a new traffic prediction framework-Spatial-Temporal Graph Diffusion Network (ST-GDN). In particular, ST-GDN is a hierarchically structured graph neural architecture which learns not only the local region-wise geographical dependencies, but also the spatial semantics from a global perspective. Furthermore, a multi-scale attention network is developed to empower ST-GDN with the capability of capturing multi-level temporal dynamics. Experiments on several real-life traffic datasets demonstrate that ST-GDN outperforms different types of state-of-the-art baselines. Source codes of implementations are available at https://github.com/jill001/ST-GDN.

研究动机与目标

• 解决现有交通预测模型仅关注局部空间相关性、难以捕捉复杂、时变、多分辨率交通模式的局限性。
• 显式建模交通流量中的局部地理依赖关系与全局跨区域相互依赖关系，以提升预测准确性。
• 开发一个统一框架，联合学习城市区域间的分层时间动态与全面的空间关系。
• 通过图架构整合多粒度时间信号与全局语义关系，增强时空预测中的表征学习能力。

提出的方法

• 设计多尺度自注意力网络，以编码不同时间分辨率（如每小时、每天、每周）的时间动态，捕捉分层时间模式。
• 引入时间层次聚合层，以建模多层级时间表示之间的依赖关系，实现细粒度时间信号的协同学习。
• 分层结构图神经网络结合图注意力网络与基于卷积的图扩散机制，以同时建模局部空间邻接关系与全局区域间依赖关系。
• 图扩散机制实现交通状态信息在远距离区域间的传播，捕捉超越邻近区域的长程空间相关性。
• 通过联合学习范式整合空间与时间表征，增强最终交通流量预测的表达能力。
• 采用历史交通流量张量上的重构损失进行端到端训练，同时优化注意力权重与扩散过程。

实验结果

研究问题

• RQ1 建模多分辨率时间动态是否能提升城市环境中交通流量预测的准确性？
• RQ2 如何在交通预测模型中有效捕捉超越直接空间邻居的全局跨区域依赖关系？
• RQ3 将局部空间相关性与全局空间语义相结合，能在多大程度上提升预测性能？
• RQ4 基于图扩散的架构能否有效建模交通网络中的高阶空间依赖关系？
• RQ5 多尺度注意力与分层图学习的结合，相较于传统GNN或RNN方法，在交通预测中表现如何？

主要发现

• 在BJ-Taxi、NYC-Taxi与NYC-Bike三个真实世界数据集上，ST-GDN在MAE、RMSE与MAPE指标上均优于多个最先进基线模型。
• 在NYC-Bike数据集上，ST-GDN实现MAE为569.26、RMSE为891.63、MAPE为0.20，显著优于所有对比方法，包括DCRNN、ST-GCN与GMAN。
• 由于多尺度注意力机制能够建模多粒度时间动态，该模型在捕捉复杂、多周期性交通模式方面表现卓越。
• 分层图神经网络架构使ST-GDN能够有效学习局部与全局空间依赖关系，显著提升预测准确性，优于仅考虑局部邻域的模型。
• 尽管由于基于注意力的图传播导致计算成本高于ST-GCN，ST-GDN在准确率与效率之间实现了有利权衡，推理时间具有竞争力。
• 消融实验证实，多尺度时间建模与全局空间依赖学习组件均对模型性能提升有显著贡献。