GT-CausIn: a novel causal-based insight for traffic prediction

要約

交通量予測は、時空間系列予測の重要なアプリケーションです。
さまざまな方法の中で、グラフ ニューラル ネットワークはこれまでのところ最も有望な結果を達成しており、グラフ ノード間の関係を学習することが重要なタスクになります。
ただし、これらの関係がノード間の方法で学習される場合、改善の余地は非常に限られています。
この課題は、(1) 異なるステーション間のあいまいな時間的依存関係、(2) ノード レベルを超えて変数を定義することの難しさ、および (3) 学習された関係を検証する既製の方法がないことに起因します。
これらの課題に対処するために、私たちは正当な交通因果関係変数を定義して、交通ネットワーク内の因果関係を発見し、統計ツールと事例分析を使用して慎重にチェックします。
次に、因果洞察に基づくグラフ時空間ネットワーク (GT-CausIn) という新しいモデルを提示します。このモデルでは、事前に学習した因果情報がグラフ拡散層と時間畳み込みネットワーク (TCN) 層と統合されています。
実験は、PEMS-BAY と METR-LA の 2 つの現実世界の交通データセットで実行され、GT-CausIn が中期および長期の予測において最先端のモデルよりも大幅に優れていることが示されています。

要約(オリジナル)

Traffic forecasting is an important application of spatiotemporal series prediction. Among different methods, graph neural networks have achieved so far the most promising results, learning relations between graph nodes then becomes a crucial task. However, improvement space is very limited when these relations are learned in a node-to-node manner. The challenge stems from (1) obscure temporal dependencies between different stations, (2) difficulties in defining variables beyond the node level, and (3) no ready-made method to validate the learned relations. To confront these challenges, we define legitimate traffic causal variables to discover the causal relation inside the traffic network, which is carefully checked with statistic tools and case analysis. We then present a novel model named Graph Spatial-Temporal Network Based on Causal Insight (GT-CausIn), where prior learned causal information is integrated with graph diffusion layers and temporal convolutional network (TCN) layers. Experiments are carried out on two real-world traffic datasets: PEMS-BAY and METR-LA, which show that GT-CausIn significantly outperforms the state-of-the-art models on mid-term and long-term prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google