[论文解读] Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting

Zhiyong Cui, Kristian Henrickson+3 more|arXiv (Cornell University)|Feb 20, 2018

Traffic Prediction and Management Techniques参考文献 48被引用 100

一句话总结

论文提出了 Traffic Graph Convolutional Long Short-Term Memory (TGC-LSTM) 框架，将道路网络建模为图，以学习时空交通模式并预测网络级交通状态，同时对图卷积权重和特征进行正则化以增强可解释性。

ABSTRACT

Traffic forecasting is a particularly challenging application of spatiotemporal forecasting, due to the time-varying traffic patterns and the complicated spatial dependencies on road networks. To address this challenge, we learn the traffic network as a graph and propose a novel deep learning framework, Traffic Graph Convolutional Long Short-Term Memory Neural Network (TGC-LSTM), to learn the interactions between roadways in the traffic network and forecast the network-wide traffic state. We define the traffic graph convolution based on the physical network topology. The relationship between the proposed traffic graph convolution and the spectral graph convolution is also discussed. An L1-norm on graph convolution weights and an L2-norm on graph convolution features are added to the model's loss function to enhance the interpretability of the proposed model. Experimental results show that the proposed model outperforms baseline methods on two real-world traffic state datasets. The visualization of the graph convolution weights indicates that the proposed framework can recognize the most influential road segments in real-world traffic networks.

研究动机与目标

• 激励并解决在道路网络上随时间变化的模式和复杂空间依赖下实现准确的网络规模交通预测的挑战。
• 提出一个基于图的深度学习框架，捕捉路段之间的相互作用以预测网络范围的交通状态。
• 定义一个以物理网络拓扑为基础的交通图卷积，并将其与谱图卷积联系起来。
• 通过对图卷积权重（L1）和特征（L2）进行正则化来增强模型的可解释性。

提出的方法

• 将交通网络表示为图以建模路段交互。
• 引入 Traffic Graph Convolutional Long Short-Term Memory (TGC-LSTM) 以学习时空依赖关系。
• 定义与物理拓扑对齐的交通图卷积，并讨论它与谱图卷积的关系。
• 在损失中对图卷积权重应用 L1 范数，对图卷积特征应用 L2 范数以提高可解释性。
• 在两个真实世界交通状态数据集上评估模型并与基线方法进行比较。

实验结果

研究问题

• RQ1 图卷积递归架构能否有效捕捉网络规模交通数据中的时空依赖？
• RQ2 将拓扑信息引入的图卷积是否能提高相较基线的预测精度？
• RQ3 对图卷积权重和特征的正则化是否在不牺牲性能的前提下提升模型可解释性？
• RQ4 相对于基线方法，所提框架在真实世界交通数据集上的表现如何？

主要发现

• 提出的 TGC-LSTM 框架在两个真实世界交通状态数据集上优于基线方法。
• 模型学习的图卷积权重与影响力较大的路段一致，表明具有有意义的可解释性。
• 模型捕捉路段间的相互作用以预测网络范围的交通状态，精度更高。
• 对权重和特征的正则化有助于可解释性，同时保持预测性能。