MoGERNN: An Inductive Traffic Predictor for Unobserved Locations in Dynamic Sensing Networks

要約

道路網が部分的に観測された場合、観測されていない場所の交通状態をどのように予測できるでしょうか?
深層学習アプローチは交通予測において優れたパフォーマンスを示しますが、ほとんどは対象となるすべての場所にセンサーを設置することを前提としていますが、これは財政上の制約により現実的ではありません。
さらに、これらの方法では通常、センサー構成が変更された場合にコストのかかる再トレーニングが必要になります。
我々は、これらの課題に対処するために、帰納的時空間グラフ表現モデルである MoGERNN を提案します。
大規模言語モデルの Mixture of Experts アプローチからインスピレーションを得て、Mixture of Graph Expert (MoGE) ブロックを導入し、複数のグラフ メッセージ アグリゲーターとスパース ゲート ネットワークを通じて複雑な空間依存関係をモデル化します。
このブロックは、観測されていない位置の初期状態を推定します。その後、グラフ メッセージ アグリゲーターを統合する GRU ベースのエンコーダー/デコーダーによって処理され、時空間依存関係をキャプチャし、将来の状態を予測します。
2 つの現実世界のデータセットでの実験では、MoGERNN が観測された場所と観測されていない場所の両方でベースライン手法を常に上回るパフォーマンスを示しています。
MoGERNN は、センサーのないエリアでも渋滞の進展を正確に予測し、交通管理に貴重な情報を提供します。
さらに、MoGERNN は動的センシング ネットワークに適応し、再トレーニングされた同等のネットワークと比較しても競争力のあるパフォーマンスを維持します。
さまざまな数の利用可能なセンサーを使用したテストにより、その一貫した優位性が確認され、アブレーション研究により、その主要モジュールの有効性が検証されました。

要約(オリジナル)

Given a partially observed road network, how can we predict the traffic state of unobserved locations? While deep learning approaches show exceptional performance in traffic prediction, most assume sensors at all locations of interest, which is impractical due to financial constraints. Furthermore, these methods typically require costly retraining when sensor configurations change. We propose MoGERNN, an inductive spatio-temporal graph representation model, to address these challenges. Inspired by the Mixture of Experts approach in Large Language Models, we introduce a Mixture of Graph Expert (MoGE) block to model complex spatial dependencies through multiple graph message aggregators and a sparse gating network. This block estimates initial states for unobserved locations, which are then processed by a GRU-based Encoder-Decoder that integrates a graph message aggregator to capture spatio-temporal dependencies and predict future states. Experiments on two real-world datasets show MoGERNN consistently outperforms baseline methods for both observed and unobserved locations. MoGERNN can accurately predict congestion evolution even in areas without sensors, offering valuable information for traffic management. Moreover, MoGERNN is adaptable to dynamic sensing networks, maintaining competitive performance even compared to its retrained counterpart. Tests with different numbers of available sensors confirm its consistent superiority, and ablation studies validate the effectiveness of its key modules.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google