Rethinking Sensors Modeling: Hierarchical Information Enhanced Traffic Forecasting

要約

都市化の加速に伴い、交通予測はスマートシティ構築において重要な役割を果たしています。
時空間予測のコンテキストでは、センサーの依存関係をどのようにモデル化するかが鍵となります。
しかし、既存の作品は基本的にセンサー間のミクロな関係のみを考慮しており、センサーは同等に扱われ、巨視的な依存関係は無視されています。
この論文では、地域的観点とグローバルな観点という 2 つの階層からセンサーの依存関係モデリングを再考することを主張します。
特に、領域間の依存関係を維持するために、領域内相関の高い元のセンサーを領域ノードとしてマージします。
次に、センサー間のグローバルな依存関係を反映するための代表的かつ共通の時空間パターンをグローバル ノードとして生成し、時空間依存関係の学習に補助情報を提供します。
ノード表現の汎用性と現実性を追求するため、Meta GCN を組み込み、物理データ空間内のリージョナル ノードとグローバル ノードを調整します。
さらに、異なる階層から情報を伝播するために、階層間のグラフ畳み込みを考案します。
簡単に言うと、地域依存性と共通の時空間パターンを作成および利用するための、階層情報強化時空間予測手法 HIEST を提案します。
広範な実験により、最先端のベースラインに対する当社の HIEST の優れたパフォーマンスが検証されました。
再現性を容易にするためにコードを公開します。

要約(オリジナル)

With the acceleration of urbanization, traffic forecasting has become an essential role in smart city construction. In the context of spatio-temporal prediction, the key lies in how to model the dependencies of sensors. However, existing works basically only consider the micro relationships between sensors, where the sensors are treated equally, and their macroscopic dependencies are neglected. In this paper, we argue to rethink the sensor’s dependency modeling from two hierarchies: regional and global perspectives. Particularly, we merge original sensors with high intra-region correlation as a region node to preserve the inter-region dependency. Then, we generate representative and common spatio-temporal patterns as global nodes to reflect a global dependency between sensors and provide auxiliary information for spatio-temporal dependency learning. In pursuit of the generality and reality of node representations, we incorporate a Meta GCN to calibrate the regional and global nodes in the physical data space. Furthermore, we devise the cross-hierarchy graph convolution to propagate information from different hierarchies. In a nutshell, we propose a Hierarchical Information Enhanced Spatio-Temporal prediction method, HIEST, to create and utilize the regional dependency and common spatio-temporal patterns. Extensive experiments have verified the leading performance of our HIEST against state-of-the-art baselines. We publicize the code to ease reproducibility.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google