STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow Prediction

要約

交通流の信頼性の高い予測には、交通データの効率的なモデリングが必要です。
実際、動的な交通ネットワークではさまざまな相関関係や影響が発生し、モデリングが複雑な作業になります。
既存の文献では、交通ネットワークの複雑な根底にある時空間関係を捕捉するためのさまざまな方法が提案されています。
ただし、交通データの不均一性を考慮すると、空間依存性と時間依存性の両方を一貫して取得することは大きな課題となります。
また、ますます洗練された方法が提案されるにつれて、モデルはますますメモリを大量に使用するようになっており、そのため低電力デバイスには適していません。
この目的のために、我々は、交通流を正確に予測するための新しい交通予測モデルである時空間軽量グラフ GRU、すなわち STLGRU を提案します。
具体的には、私たちが提案する STLGRU は、メモリ拡張アテンションとゲーティング メカニズムを継続的に同期した方法で使用して、交通ネットワークの動的なローカルおよびグローバルの時空間関係を効果的にキャプチャできます。
さらに、個別の時間コンポーネントと空間コンポーネントを使用する代わりに、メモリ モジュールとゲート ユニットがメモリ使用量を削減し、パラメータを減らして時空間依存関係を首尾よく学習できることを示します。
3 つの現実世界の公共交通データセットに関する広範な実験結果は、私たちの方法が最先端のパフォーマンスを達成できるだけでなく、競争力のある計算効率を発揮できることを実証しています。
私たちのコードは https://github.com/Kishor-Bhaumik/STLGRU で入手できます。

要約(オリジナル)

Reliable forecasting of traffic flow requires efficient modeling of traffic data. Indeed, different correlations and influences arise in a dynamic traffic network, making modeling a complicated task. Existing literature has proposed many different methods to capture traffic networks’ complex underlying spatial-temporal relations. However, given the heterogeneity of traffic data, consistently capturing both spatial and temporal dependencies presents a significant challenge. Also, as more and more sophisticated methods are being proposed, models are increasingly becoming memory-heavy and, thus, unsuitable for low-powered devices. To this end, we propose Spatio-Temporal Lightweight Graph GRU, namely STLGRU, a novel traffic forecasting model for predicting traffic flow accurately. Specifically, our proposed STLGRU can effectively capture dynamic local and global spatial-temporal relations of traffic networks using memory-augmented attention and gating mechanisms in a continuously synchronized manner. Moreover, instead of employing separate temporal and spatial components, we show that our memory module and gated unit can successfully learn the spatial-temporal dependencies with reduced memory usage and fewer parameters. Extensive experimental results on three real-world public traffic datasets demonstrate that our method can not only achieve state-of-the-art performance but also exhibit competitive computational efficiency. Our code is available at https://github.com/Kishor-Bhaumik/STLGRU

arxiv情報

提供元, 利用サービス

arxiv.jp, Google