Wavelet-Inspired Multiscale Graph Convolutional Recurrent Network for Traffic Forecasting

要約

交通予測はインテリジェント交通システムの基盤です。
時空間グラフ ニューラル ネットワークは、交通量予測において最先端のパフォーマンスを実証しました。
ただし、これらの方法は、さまざまな粒度やスケールのレベルでの空間的および時間的変動を包含するマルチスケール構造など、交通データの自然な特性の一部を明示的にモデル化するものではありません。
そのために、マルチスケール解析 (MSA) ベースの手法と深層学習 (DL) ベースの手法を組み合わせた、ウェーブレットにインスピレーションを受けたグラフ畳み込み再帰ネットワーク (WavGCRN) を提案します。
WavGCRN では、トラフィック データは離散ウェーブレット変換 (DWT) によって時間周波数成分に分解され、マルチストリーム入力構造が構築されます。
次に、グラフ畳み込み再帰ネットワーク (GCRN) が各ストリームのエンコーダーとして採用され、さまざまなスケールで時空間特徴が抽出されます。
最後に、学習可能な逆 DWT と GCRN がデコーダとして結合され、トラフィック メトリックの再構築と予測のためにすべてのストリームからの情報が融合されます。
さらに、道路ネットワークに基づいたグラフとデータ駆動型のグラフ学習を組み合わせて、空間相関を正確に捕捉します。
提案された方法は、現実世界の交通データセットに対して、明確に定義された解釈可能性、強力な学習機能、および競争力のある予測パフォーマンスを提供できます。

要約(オリジナル)

Traffic forecasting is the foundation for intelligent transportation systems. Spatiotemporal graph neural networks have demonstrated state-of-the-art performance in traffic forecasting. However, these methods do not explicitly model some of the natural characteristics in traffic data, such as the multiscale structure that encompasses spatial and temporal variations at different levels of granularity or scale. To that end, we propose a Wavelet-Inspired Graph Convolutional Recurrent Network (WavGCRN) which combines multiscale analysis (MSA)-based method with Deep Learning (DL)-based method. In WavGCRN, the traffic data is decomposed into time-frequency components with Discrete Wavelet Transformation (DWT), constructing a multi-stream input structure; then Graph Convolutional Recurrent networks (GCRNs) are employed as encoders for each stream, extracting spatiotemporal features in different scales; and finally the learnable Inversed DWT and GCRN are combined as the decoder, fusing the information from all streams for traffic metrics reconstruction and prediction. Furthermore, road-network-informed graphs and data-driven graph learning are combined to accurately capture spatial correlation. The proposed method can offer well-defined interpretability, powerful learning capability, and competitive forecasting performance on real-world traffic data sets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google