Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting

要約

最近の研究は、時空間グラフ モデリング問題として交通量予測を定式化することに焦点を移しています。
通常、彼らは各タイム ステップで静的空間グラフを構築し、次に隣接するタイム ステップ間で各ノードをそれ自体と接続して時空間グラフを作成しました。
ただし、このアプローチでは、異なるタイム ステップでの異なるノード間の相関を明示的に反映できず、グラフ ニューラル ネットワークの学習能力が制限されました。
さらに、これらのモデルは、異なるタイム ステップにわたって同じ隣接行列を使用することにより、ノード間の動的な時空間相関を見落としていました。
これらの制限に対処するために、我々は、将来の複数の時間ステップにわたって道路ネットワーク上の正確な交通量を予測するための、時空間結合グラフ畳み込みネットワーク (STJGCN) と呼ばれる新しいアプローチを提案します。
具体的には、私たちの方法には、包括的で動的な時空間相関を表す、任意の 2 つのタイム ステップ間の事前定義された適応型時空間結合グラフ (STJG) の両方の構築が含まれます。
さらに、拡張因果時空間結合グラフ畳み込み層を STJG に導入して、複数の範囲の異なる視点から時空間依存関係をキャプチャします。
さまざまな範囲からの情報を集約するために、マルチレンジ アテンション メカニズムを提案します。
最後に、5 つの公共交通データセットに対するアプローチを評価します。実験結果では、STJGCN が計算効率が高いだけでなく、11 の最先端のベースライン手法よりも優れていることが実証されました。

要約(オリジナル)

Recent studies have shifted their focus towards formulating traffic forecasting as a spatio-temporal graph modeling problem. Typically, they constructed a static spatial graph at each time step and then connected each node with itself between adjacent time steps to create a spatio-temporal graph. However, this approach failed to explicitly reflect the correlations between different nodes at different time steps, thus limiting the learning capability of graph neural networks. Additionally, those models overlooked the dynamic spatio-temporal correlations among nodes by using the same adjacency matrix across different time steps. To address these limitations, we propose a novel approach called Spatio-Temporal Joint Graph Convolutional Networks (STJGCN) for accurate traffic forecasting on road networks over multiple future time steps. Specifically, our method encompasses the construction of both pre-defined and adaptive spatio-temporal joint graphs (STJGs) between any two time steps, which represent comprehensive and dynamic spatio-temporal correlations. We further introduce dilated causal spatio-temporal joint graph convolution layers on the STJG to capture spatio-temporal dependencies from distinct perspectives with multiple ranges. To aggregate information from different ranges, we propose a multi-range attention mechanism. Finally, we evaluate our approach on five public traffic datasets and experimental results demonstrate that STJGCN is not only computationally efficient but also outperforms 11 state-of-the-art baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google