Traffic Forecasting on New Roads Unseen in the Training Data Using Spatial Contrastive Pre-Training

要約

新しい道路は常に建設されている。しかし、これまでの深層予測モデルが、学習データにない新しい道路（未見道路）に対して汎化する能力については、ほとんど検討されていない。本論文では、時空間（ST）分割と呼ばれる新しいセットアップを導入し、未見の道路に対するモデルの汎化能力を評価する。この設定では、モデルは道路サンプルのデータで学習されるが、学習データでは見られない道路でテストされる。さらに、我々は、推論時に未見の道路から潜在的特徴を抽出する空間エンコーダモジュールを導入した、空間対照事前学習（SCPT）と呼ばれる新しいフレームワークも提示する。この空間エンコーダは、対比学習を用いて事前に学習される。推論中、空間エンコーダは2日間の新しい道路の交通データを必要とするだけであり、再学習は不要である。また、空間エンコーダの出力は、推論時に未見道路の潜在ノード埋め込みを推論するために効果的に利用できることを示す。SCPTフレームワークはまた、空間エンコーダの出力からの潜在特徴を既存のバックボーンに効果的に結合するために、空間ゲート付加（SGA）層と名付けられた新しい層を組み込んでいる。さらに、未見の道路に関するデータは限られているため、交通信号を、捕捉が容易な周期信号と捕捉が困難なマルコフ信号に分離し、空間エンコーダはマルコフ信号のみを学習する方が良いと主張する。最後に、4つの実世界データセットを用いて、ST分割セットアップを用いたSCPTの実証評価を行った。その結果、バックボーンにSCPTを追加することで、未見道路での予測性能が一貫して向上することが示された。さらに重要なことは、より先の未来を予測する場合に、より大きな改善が見られることである。コードはGitHubで公開されている：\https://github.com/cruiseresearchgroup/forecasting-on-new-roads}。

要約(オリジナル)

New roads are being constructed all the time. However, the capabilities of previous deep forecasting models to generalize to new roads not seen in the training data (unseen roads) are rarely explored. In this paper, we introduce a novel setup called a spatio-temporal (ST) split to evaluate the models’ capabilities to generalize to unseen roads. In this setup, the models are trained on data from a sample of roads, but tested on roads not seen in the training data. Moreover, we also present a novel framework called Spatial Contrastive Pre-Training (SCPT) where we introduce a spatial encoder module to extract latent features from unseen roads during inference time. This spatial encoder is pre-trained using contrastive learning. During inference, the spatial encoder only requires two days of traffic data on the new roads and does not require any re-training. We also show that the output from the spatial encoder can be used effectively to infer latent node embeddings on unseen roads during inference time. The SCPT framework also incorporates a new layer, named the spatially gated addition (SGA) layer, to effectively combine the latent features from the output of the spatial encoder to existing backbones. Additionally, since there is limited data on the unseen roads, we argue that it is better to decouple traffic signals to trivial-to-capture periodic signals and difficult-to-capture Markovian signals, and for the spatial encoder to only learn the Markovian signals. Finally, we empirically evaluated SCPT using the ST split setup on four real-world datasets. The results showed that adding SCPT to a backbone consistently improves forecasting performance on unseen roads. More importantly, the improvements are greater when forecasting further into the future. The codes are available on GitHub: \burl{https://github.com/cruiseresearchgroup/forecasting-on-new-roads}.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL