Because Every Sensor Is Unique, so Is Every Pair: Handling Dynamicity in Traffic Forecasting

要約

トラフィック予測は、スマート トランスポーテーションのバックボーンであるサイバー フィジカル インフラストラクチャから価値を抽出するための重要なタスクです。
ただし、外部コンテキストにより、各センサーのダイナミクスは固有です。
たとえば、学校の近くのセンサーでの午後のピークは、住宅地の近くのセンサーよりも早く発生する可能性が高くなります。
このホワイト ペーパーでは、最初に実際のトラフィック データを分析して、各センサーに固有のダイナミクスがあることを示します。
さらなる分析は、センサーの各ペアにも独自のダイナミクスがあることを示しています。
次に、ノードの埋め込みがすべてのセンサー位置で固有のダイナミクスを学習する方法を調べます。
次に、Spatial Graph Transformers (SGT) と呼ばれる新しいモジュールを提案します。このモジュールでは、ノード埋め込みを使用して自己注意メカニズムを活用し、2 つのセンサー間の情報の流れが各ペアの固有のダイナミクスに対して適応するようにします。
最後に、グラフ自己注意 WaveNet (G-SWaN) を提示して、複雑で非線形の時空間トラフィック ダイナミクスに対処します。
4 つの実世界のオープン データセットでの実証実験を通じて、提案された方法がトラフィック速度とフロー予測の両方で優れたパフォーマンスを達成することを示します。
コードは https://github.com/aprbw/G-SWaN で入手できます。

要約(オリジナル)

Traffic forecasting is a critical task to extract values from cyber-physical infrastructures, which is the backbone of smart transportation. However owing to external contexts, the dynamics at each sensor are unique. For example, the afternoon peaks at sensors near schools are more likely to occur earlier than those near residential areas. In this paper, we first analyze real-world traffic data to show that each sensor has a unique dynamic. Further analysis also shows that each pair of sensors also has a unique dynamic. Then, we explore how node embedding learns the unique dynamics at every sensor location. Next, we propose a novel module called Spatial Graph Transformers (SGT) where we use node embedding to leverage the self-attention mechanism to ensure that the information flow between two sensors is adaptive with respect to the unique dynamic of each pair. Finally, we present Graph Self-attention WaveNet (G-SWaN) to address the complex, non-linear spatiotemporal traffic dynamics. Through empirical experiments on four real-world, open datasets, we show that the proposed method achieves superior performance on both traffic speed and flow forecasting. Code is available at: https://github.com/aprbw/G-SWaN

arxiv情報

提供元, 利用サービス

arxiv.jp, Google