DG-STMTL: A Novel Graph Convolutional Network for Multi-Task Spatio-Temporal Traffic Forecasting

要約

インテリジェントな輸送システムでは、時空間の交通予測が重要です。
正確な予測の重要な課題は、複雑な時空間依存関係をモデル化し、データの固有のダイナミクスに適応する方法です。
従来のグラフ畳み込みネットワーク（GCN）は、特定のパターンに過度に適合する可能性のあるドメインバイアスまたは学習可能なマトリックスを導入する静的隣接マトリックスと苦労することがよくあります。
この課題は、マルチタスク学習（MTL）を考慮すると、より複雑になります。
MTLには、タスクの相乗効果を通じて予測の精度を高める可能性がありますが、タスクの干渉により大きなハードルに直面する可能性もあります。
これらの課題を克服するために、この研究では、新しいMTLフレームワーク、動的なグループごとの空間的マルチタスク学習（DG-STMTL）を紹介します。
DG-STMTLは、タスク固有のゲーティングメカニズムを介して静的マトリックスを動的なマトリックスと組み合わせたハイブリッド隣接マトリックス生成モジュールを提案します。
また、グループごとのGCNモジュールを導入して、時空間依存関係のモデリング機能を強化します。
2つの実際のデータセットで広範な実験を実施して、方法を評価します。
結果は、私たちの方法が他の最先端よりも優れていることを示しており、その有効性と堅牢性を示しています。

要約(オリジナル)

Spatio-temporal traffic prediction is crucial in intelligent transportation systems. The key challenge of accurate prediction is how to model the complex spatio-temporal dependencies and adapt to the inherent dynamics in data. Traditional Graph Convolutional Networks (GCNs) often struggle with static adjacency matrices that introduce domain bias or learnable matrices that may be overfitting to specific patterns. This challenge becomes more complex when considering Multi-Task Learning (MTL). While MTL has the potential to enhance prediction accuracy through task synergies, it can also face significant hurdles due to task interference. To overcome these challenges, this study introduces a novel MTL framework, Dynamic Group-wise Spatio-Temporal Multi-Task Learning (DG-STMTL). DG-STMTL proposes a hybrid adjacency matrix generation module that combines static matrices with dynamic ones through a task-specific gating mechanism. We also introduce a group-wise GCN module to enhance the modelling capability of spatio-temporal dependencies. We conduct extensive experiments on two real-world datasets to evaluate our method. Results show that our method outperforms other state-of-the-arts, indicating its effectiveness and robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google