WEST GCN-LSTM: Weighted Stacked Spatio-Temporal Graph Neural Networks for Regional Traffic Forecasting

要約

地域交通予測は都市モビリティにおける重要な課題であり、IoT などのさまざまな分野に応用されています。
近年、時空間グラフ ニューラル ネットワークは、数多くの交通予測の課題において最先端の結果を達成しています。
この研究は、より効率的な予測モデルを確立するために、調査対象の領域およびそこを横断する人口に関する情報の組み込みを容易にする方法で、従来の時空間グラフ ニューラル ネットワーク アーキテクチャを拡張することを目的としています。
この科学的取り組みの最終成果物は、WEST (WEighted STacked) GCN-LSTM と呼ばれる新しい時空間グラフ ニューラル ネットワーク アーキテクチャです。
さらに、前述の情報の組み込みは、共有ボーダー ポリシーと調整可能なホップ ポリシーと呼ばれる 2 つの新しい専用アルゴリズムを使用して行われます。
情報の融合と蒸留により、提案されたソリューションは、複数のデータセットにわたる 19 の予測モデルで構成される実験的評価の枠組みにおいて、競合他社を大幅に上回るパフォーマンスを実現しました。
最後に、追加のアブレーション研究により、提案されたソリューションの各コンポーネントが全体的なパフォーマンスの向上に貢献していることが判明しました。

要約(オリジナル)

Regional traffic forecasting is a critical challenge in urban mobility, with applications to various fields such as the Internet of Everything. In recent years, spatio-temporal graph neural networks have achieved state-of-the-art results in the context of numerous traffic forecasting challenges. This work aims at expanding upon the conventional spatio-temporal graph neural network architectures in a manner that may facilitate the inclusion of information regarding the examined regions, as well as the populations that traverse them, in order to establish a more efficient prediction model. The end-product of this scientific endeavour is a novel spatio-temporal graph neural network architecture that is referred to as WEST (WEighted STacked) GCN-LSTM. Furthermore, the inclusion of the aforementioned information is conducted via the use of two novel dedicated algorithms that are referred to as the Shared Borders Policy and the Adjustable Hops Policy. Through information fusion and distillation, the proposed solution manages to significantly outperform its competitors in the frame of an experimental evaluation that consists of 19 forecasting models, across several datasets. Finally, an additional ablation study determined that each of the components of the proposed solution contributes towards enhancing its overall performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google