Irregular Traffic Time Series Forecasting Based on Asynchronous Spatio-Temporal Graph Convolutional Network

要約

インテリジェント交通信号機によって管理される交差点での正確な交通予測は、効果的なインテリジェント交通信号制御システムの進歩にとって重要です。
しかし、インテリジェント交差点によって生成される不規則な交通時系列により、交通予測タスクはさらに扱いにくくなり、1) 非同期の空間依存性、2) 交通データ間の不規則な時間依存性、3) 可変長という 3 つの大きな新たな課題が課せられます。
これは、現在のトラフィック予測方法のパフォーマンスを著しく妨げます。
この目的を達成するために、将来の時間枠でインテリジェント交差点に進入する車線の交通状態を予測する非同期時空間グラフ畳み込み nEtwoRk (ASeer) を提案します。
具体的には、交通拡散グラフを介して車線をリンクすることにより、時間的にずれた車線の交通状態測定値間の非同期空間依存性をモデル化する非同期グラフ拡散ネットワークを最初に提案します。
その後、不規則な交通状態シーケンス内の時間依存性を捉えるために、各車線の連続時間を埋め込む学習可能な個人化された時間エンコーディングが考案されました。
次に、メタフィルターを学習して、不規則なシーケンス上で効率的な時間畳み込みを行うための、変換可能なフィルター サイズを持つ時間認識畳み込みフィルターを導出する、変換可能な時間認識畳み込みネットワークを提案します。
さらに、状態進化ユニットと半自己回帰予測器で構成される半自己回帰予測ネットワークは、可変長のトラフィック状態シーケンスを効果的かつ効率的に予測するように設計されています。
2 つの現実世界のデータセットに対する広範な実験により、6 つの指標における ASeer の有効性が実証されました。

要約(オリジナル)

Accurate traffic forecasting at intersections governed by intelligent traffic signals is critical for the advancement of an effective intelligent traffic signal control system. However, due to the irregular traffic time series produced by intelligent intersections, the traffic forecasting task becomes much more intractable and imposes three major new challenges: 1) asynchronous spatial dependency, 2) irregular temporal dependency among traffic data, and 3) variable-length sequence to be predicted, which severely impede the performance of current traffic forecasting methods. To this end, we propose an Asynchronous Spatio-tEmporal graph convolutional nEtwoRk (ASeer) to predict the traffic states of the lanes entering intelligent intersections in a future time window. Specifically, by linking lanes via a traffic diffusion graph, we first propose an Asynchronous Graph Diffusion Network to model the asynchronous spatial dependency between the time-misaligned traffic state measurements of lanes. After that, to capture the temporal dependency within irregular traffic state sequence, a learnable personalized time encoding is devised to embed the continuous time for each lane. Then we propose a Transformable Time-aware Convolution Network that learns meta-filters to derive time-aware convolution filters with transformable filter sizes for efficient temporal convolution on the irregular sequence. Furthermore, a Semi-Autoregressive Prediction Network consisting of a state evolution unit and a semiautoregressive predictor is designed to effectively and efficiently predict variable-length traffic state sequences. Extensive experiments on two real-world datasets demonstrate the effectiveness of ASeer in six metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google