ESGCN: Edge Squeeze Attention Graph Convolutional Network for Traffic Flow Forecasting

要約

交通量の予測は、交通流の動的な時空間依存性により、非常に困難なタスクです。
これに対処するために、私たちは時空間ダイナミクスのモデル化に焦点を当て、複数の地域のトラフィック フローを予測するエッジ スクイーズ グラフ畳み込みネットワーク (ESGCN) と呼ばれるネットワークを提案します。
ESGCN は、W モジュールと ES モジュールの 2 つのモジュールで構成されます。
W モジュールは、完全にノード単位の畳み込みネットワークです。
各交通領域の時系列を個別にエンコードし、時系列をさまざまなスケールで分解して、細かい特徴と大まかな特徴をキャプチャします。
ES モジュールは、グラフ畳み込みネットワーク (GCN) を使用して時空間ダイナミクスをモデル化し、時間特徴を備えた適応隣接行列 (AAM) を生成します。
AAM の精度を向上させるために、3 つの重要な概念を導入します。
1) エッジ特徴を使用して、領域間の時空間流れ表現を直接キャプチャします。
2) エッジ アテンション メカニズムを GCN に適用して、エッジ フィーチャから AAM を抽出します。
ここで、アテンション メカニズムは重要な時空間的隣接関係を効果的に決定できます。
3) 障害のある接続を抑制し、関連する接続を強調するための新しいノード対比損失を提案します。
実験結果は、ESGCN が 4 つの現実世界のデータセット (PEMS03、04、07、および 08) で、低い計算コストで大幅に最先端のパフォーマンスを達成することを示しています。

要約(オリジナル)

Traffic forecasting is a highly challenging task owing to the dynamical spatio-temporal dependencies of traffic flows. To handle this, we focus on modeling the spatio-temporal dynamics and propose a network termed Edge Squeeze Graph Convolutional Network (ESGCN) to forecast traffic flow in multiple regions. ESGCN consists of two modules: W-module and ES module. W-module is a fully node-wise convolutional network. It encodes the time-series of each traffic region separately and decomposes the time-series at various scales to capture fine and coarse features. The ES module models the spatio-temporal dynamics using Graph Convolutional Network (GCN) and generates an Adaptive Adjacency Matrix (AAM) with temporal features. To improve the accuracy of AAM, we introduce three key concepts. 1) Using edge features to directly capture the spatiotemporal flow representation among regions. 2) Applying an edge attention mechanism to GCN to extract the AAM from the edge features. Here, the attention mechanism can effectively determine important spatio-temporal adjacency relations. 3) Proposing a novel node contrastive loss to suppress obstructed connections and emphasize related connections. Experimental results show that ESGCN achieves state-of-the-art performance by a large margin on four real-world datasets (PEMS03, 04, 07, and 08) with a low computational cost.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google