Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting

要約

本論文は、道路網と過去の交通状況に基づいて将来の交通状況を予測することを目的とした交通流予測の問題を研究する。
この問題は通常、時空間グラフ ニューラル ネットワーク (GNN) を使用してトラフィック データの複雑な時空間相関をモデル化することで解決されます。
ただし、複雑なトラフィック ネットワークに関しては、GNN の表現能力が通常限られているため、これらの手法のパフォーマンスはまだ満足のいくものとは程遠いです。
グラフは本質的に、非ペアワイズ関係を捉えるには不十分です。
さらに悪いことに、既存の手法は近傍情報を線形に集約するメッセージ パッシングのパラダイムに従っており、複雑な時空間的な高次の相互作用を捉えることができません。
これらの問題に取り組むために、この論文では、交通流予測のための動的ハイパーグラフ構造学習 (DyHSL) と呼ばれる新しいモデルを提案します。
非ペアワイズ関係を学習するために、DyHSL はハイパーグラフ構造情報を抽出して交通ネットワーク内のダイナミクスをモデル化し、関連するハイパーエッジからのメッセージを集約することによって各ノード表現を更新します。
さらに、道路ネットワークの高次の時空間関係を捉えるために、各ノードの近隣相互作用をさらにモデル化する対話型グラフ畳み込みブロックを導入します。
最後に、これら 2 つのビューを総合的なマルチスケール相関抽出モジュールに統合します。このモジュールは、異なるスケールで時間プーリングを実行して、異なる時間パターンをモデル化します。
4 つの一般的なトラフィック ベンチマーク データセットに対する広範な実験により、広範な競合ベースラインと比較して、私たちが提案する DyHSL の有効性が実証されました。

要約(オリジナル)

This paper studies the problem of traffic flow forecasting, which aims to predict future traffic conditions on the basis of road networks and traffic conditions in the past. The problem is typically solved by modeling complex spatio-temporal correlations in traffic data using spatio-temporal graph neural networks (GNNs). However, the performance of these methods is still far from satisfactory since GNNs usually have limited representation capacity when it comes to complex traffic networks. Graphs, by nature, fall short in capturing non-pairwise relations. Even worse, existing methods follow the paradigm of message passing that aggregates neighborhood information linearly, which fails to capture complicated spatio-temporal high-order interactions. To tackle these issues, in this paper, we propose a novel model named Dynamic Hypergraph Structure Learning (DyHSL) for traffic flow prediction. To learn non-pairwise relationships, our DyHSL extracts hypergraph structural information to model dynamics in the traffic networks, and updates each node representation by aggregating messages from its associated hyperedges. Additionally, to capture high-order spatio-temporal relations in the road network, we introduce an interactive graph convolution block, which further models the neighborhood interaction for each node. Finally, we integrate these two views into a holistic multi-scale correlation extraction module, which conducts temporal pooling with different scales to model different temporal patterns. Extensive experiments on four popular traffic benchmark datasets demonstrate the effectiveness of our proposed DyHSL compared with a broad range of competing baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google