TEAM: Topological Evolution-aware Framework for Traffic Forecasting–Extended Version

要約

世界的な都市化の傾向により、人々はますます都市に移り住み、そこで生活するようになっている。交通予測は、都市のインテリジェント交通システムや時空間データマイニングにおいて重要な役割を果たしている。最先端の予測は、複雑な時空間ダイナミクスに対応できるディープラーニング・アプローチによって達成されている。しかし、既存の手法は、入力が固定トポロジーの道路網と静的な交通時系列であると仮定している。このような仮定は、時系列が継続的に収集され、道路網が時間と共に進化する都市化には合致しない。このような環境では、ディープラーニングモデルは頻繁な再初期化と再トレーニングを必要とし、高い計算コストがかかる。モデルの精度を損なうことなく、より効率的な学習を可能にするために、我々は、畳み込みと注意を組み込んだ、交通予測のためのトポロジカル・エボリューション・アウェア・フレームワーク（TEAM）を提案する。このメカニズムの組み合わせにより、古い時系列から学習した知識を維持しながら、新しく収集された時系列によりよく適応することができる。TEAMは、最も安定しているネットワーク・ノードと最も変化しているネットワーク・ノードを識別できるバッファとして機能する、ワッサーシュタイン・メトリックに基づく継続的学習モジュールを特徴としている。そして、モデルを統合する際の再トレーニングには、安定したノードに関連するデータのみが採用される。さらに、新しいノードとその隣接ノード、および変化するノードに関連するデータのみが、モデルの再学習に使用される。実世界の2つの交通データセットを用いた実証研究により、TEAMは、予測精度を損なうことなく、既存の手法よりもはるかに低い再学習コストが可能であることが実証された。

要約(オリジナル)

Due to the global trend towards urbanization, people increasingly move to and live in cities that then continue to grow. Traffic forecasting plays an important role in the intelligent transportation systems of cities as well as in spatio-temporal data mining. State-of-the-art forecasting is achieved by deep-learning approaches due to their ability to contend with complex spatio-temporal dynamics. However, existing methods assume the input is fixed-topology road networks and static traffic time series. These assumptions fail to align with urbanization, where time series are collected continuously and road networks evolve over time. In such settings, deep-learning models require frequent re-initialization and re-training, imposing high computational costs. To enable much more efficient training without jeopardizing model accuracy, we propose the Topological Evolution-aware Framework (TEAM) for traffic forecasting that incorporates convolution and attention. This combination of mechanisms enables better adaptation to newly collected time series, while being able to maintain learned knowledge from old time series. TEAM features a continual learning module based on the Wasserstein metric that acts as a buffer that can identify the most stable and the most changing network nodes. Then, only data related to stable nodes is employed for re-training when consolidating a model. Further, only data of new nodes and their adjacent nodes as well as data pertaining to changing nodes are used to re-train the model. Empirical studies with two real-world traffic datasets offer evidence that TEAM is capable of much lower re-training costs than existing methods are, without jeopardizing forecasting accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL