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が支配する交差点における正確な交通予測は、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極めて重要である。しかし、インテリジェント交差点で生成される不規則な交通時系列のために、交通予測タスクはより困難となり、3つの主要な新たな課題が課される：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)予測される可変長のシーケンス，である．これらは現在の交通予測手法の性能を著しく阻害する．このため、我々は、将来の時間ウィンドウにおける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ための非同期空間エンポラグラフ畳み込みnEtwoRk（ASeer）を提案する。具体的には、まず、交通拡散グラフを介して車線を連結することにより、車線の時間的に整列された交通状態測定値の間の非同期空間依存性をモデル化するために、非同期グラフ拡散ネットワークを提案する。その後、不規則な交通状態列の時間的依存性を捉えるために、学習可能な個別化時間符号化を考案し、各車線の連続時間を埋め込む。次に、不規則なシーケンスに対して効率的な時間的畳み込みを行うために、変換可能なフィルタサイズを持つ時間認識畳み込みフィルタを導出するためのメタフィルタを学習する変換可能時間認識畳み込みネットワークを提案する。さらに、状態進化ユニットと半回帰予測器からなる半回帰予測ネットワークを設計し、可変長の交通状態シーケンスを効果的かつ効率的に予測する。2つの実世界データセットを用いた広範な実験により、ASeerの有効性が6つの指標で実証された。

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, DeepL