MultiGran-STGCNFog: Towards Accurate and High-Throughput Inference for Multi-Granular Spatiotemporal Traffic Forecasting

要約

インテリジェント交通システムには、正確な交通予測と迅速な推論が不可欠である。しかし、現在のグラフ畳み込みネットワーク(GCN)ベースのアプローチは、様々な空間的・時間的スケールにわたる多粒度時空間特徴を十分に抽出・融合することができず、精度の低い予測をもたらすことが証明されている。さらに、先行研究で導入された追加的な特徴抽出の分岐は、モデルの複雑性を決定的に増大させ、推論時間を延長させ、交通予測のための高速推論を提供することを困難にしている。本論文では、MultiGran-STGCNFogを提案する。MultiGran-STGCNFogは、効率的な霧分散推論システムであり、生成された動的な交通グラフ上で多粒子の時空間特徴フュージョンを用いて、相互依存的な交通ダイナミクスを完全に捕捉する新しい交通予測モデルである。提案するスケジューリングアルゴリズムGA-DPHDSは、レイヤーの実行順序とレイヤーとデバイスのスケジューリングスキームを同時に最適化し、異種フォグデバイスをパイプライン方式で活用することにより、推論スループットの大幅な向上に寄与する。実世界のデータセットを用いた広範な実験により、提案手法が選択されたベースラインよりも優れていることを実証する。

要約(オリジナル)

Accurate traffic forecasting and swift inference provision are essential for intelligent transportation systems. However, the present Graph Convolutional Network (GCN)-based approaches cannot extract and fuse multi-granular spatiotemporal features across various spatial and temporal scales sufficiently, proven to yield less accurate forecasts. Besides, additional feature extraction branches introduced in prior studies critically increased model complexity and extended inference time, making it challenging to provide fast inference for traffic forecasting. In this paper, we propose MultiGran-STGCNFog, an efficient fog distributed inference system with a novel traffic forecasting model that employs multi-granular spatiotemporal feature fusion on generated dynamic traffic graphs to fully capture interdependent traffic dynamics. The proposed scheduling algorithm GA-DPHDS, optimizing layer execution order and layer-device scheduling scheme simultaneously, contributes to considerable inference throughput improvement by leveraging heterogeneous fog devices in a pipelined manner. Extensive experiments on real-world datasets demonstrate the superiority of the proposed method over selected baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL