Simpler is better: Multilevel Abstraction with Graph Convolutional Recurrent Neural Network Cells for Traffic Prediction

要約

近年、グラフニューラルネットワーク（GNN）とリカレントニューラルネットワーク（RNN）の変種を組み合わせることで、時空間予測タスクにおいて最先端の性能に到達している。特に交通予測では、GNNモデルが道路網のグラフ構造を利用して、リンクとノード間の空間的な相関を考慮することができる。最近の解決策は、複雑なグラフ操作に基づくか、あらかじめ定義されたグラフを避けるかのどちらかである。本論文では、より複雑な設計に比べて学習時間を短縮するために、疎なアーキテクチャを持つGNN-RNNセルを用いて、複数の抽象度で時空間相関を抽出する新しいシーケンス・トゥ・シークエンス・アーキテクチャを提案する。同じ入力シーケンスを複数のエンコーダーでエンコードし、エンコーダー層を徐々に増やすことで、ネットワークは多段階の抽象化により一般的な情報と詳細な情報を学習することができる。さらに、カナダのモントリオールの街路セグメント交通データという新しいベンチマークデータセットを紹介する。高速道路とは異なり、都市の道路セグメントは周期的であり、複雑な空間的依存関係によって特徴付けられる。高速道路のベンチマークであるMETR-LAと我々のMSLTDストリートレベルセグメントデータセットを用いた実験の結果、我々のモデルはベースライン手法と比較して1時間予測で7%以上性能が向上し、他の競合手法と比較して半分以上計算資源を削減できることが実証された。

要約(オリジナル)

In recent years, graph neural networks (GNNs) combined with variants of recurrent neural networks (RNNs) have reached state-of-the-art performance in spatiotemporal forecasting tasks. This is particularly the case for traffic forecasting, where GNN models use the graph structure of road networks to account for spatial correlation between links and nodes. Recent solutions are either based on complex graph operations or avoiding predefined graphs. This paper proposes a new sequence-to-sequence architecture to extract the spatiotemporal correlation at multiple levels of abstraction using GNN-RNN cells with sparse architecture to decrease training time compared to more complex designs. Encoding the same input sequence through multiple encoders, with an incremental increase in encoder layers, enables the network to learn general and detailed information through multilevel abstraction. We further present a new benchmark dataset of street-level segment traffic data from Montreal, Canada. Unlike highways, urban road segments are cyclic and characterized by complicated spatial dependencies. Experimental results on the METR-LA benchmark highway and our MSLTD street-level segment datasets demonstrate that our model improves performance by more than 7% for one-hour prediction compared to the baseline methods while reducing computing resource requirements by more than half compared to other competing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL