Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting

Transcript

1. Spatio-temporal graph convolutional networks: A deep learning framework for traffic forecasting [Yu+, IJCAI 2018] • テーマ • 交通データなどの時空間グラフデータを扱うSTGCNの提案 • 新規性 • 時間的な依存関係をGated CNNによって捉える • 空間的な依存関係をGraph CNNによって捉える • 結果 • 2つの道路データセットを用いた実験でSoTA 1
2. 背景 • 従来手法では時間的な依存関係を捉えるためにRNN、 空間的な依存関係を捉えるためにCNNを使用していた。しかし、 • RNN: 計算量が大きい • CNN: 交通網のトポロジー構造を考慮できない →計算コストを削減するためにGated CNNを用いて、 交通網のトポロジー構造を考慮するためにGraph CNNを用いる 2
3. 提案手法 3 ST-Conv Block Temporal Gated-Conv 全体図 Mステップ前 までの交通量 隣接行列 交通量の 予測値 Spatial Graph-Convは通常のGCNを使用 [Bruna+, ICLR 2014], [Kipf+, ICLR 2017] CNN+FC層
4. Temporal Gated-Conv 4 • 各ノードごとに以下の操作を行う 𝐶 𝐶 カーネルサイズ 𝐾 ∗ 𝐶 ∗ 𝐶 の畳み込み σ 𝑀 𝑀 − 𝐾 + 1 アダマール積 Attentionの役割 時 間 方 向
5. 評価実験 2種類の道路データセットを使用 • BJER4 • 北京市内の道路の平均速度（5分おき） • 12本の道路のデータを利用 • PeMSD7 • カリフォルニア州の高速道路の平均速度（5分おき） • 228か所の測定値を含むPeMSD7(M)、1,026か所の測定値を含む PeMSD7(L)を用意 非定型なデータを避けるため、いずれも平日のみのデータを使用 5
6. 結果 • すべての評価指標、タイムスパンでSTGCNの精度が最も高い (Cheb)は[Bruna+, ICLR 2014]のSpectralな手法、(1st)は[Kipf+, ICLR 2017]のSpatialな手法 6
7. 結果 • すべての評価指標、タイムスパンでSTGCNの性能が最も高い • 予測のタイムスパンが⾧いほど相対的にSTGCNの性能が良くなる 7
8. 結果 • 比較的性能の高かったSTGCNとGCGRU [Li+, ICLR 2018]の計算コスト • RNNを使用しないためSTGCNの計算コストが大きく削減されている 8
9. まとめ • テーマ • 交通データなどの時空間グラフデータを扱うSTGCNの提案 • 手法 • 時間的な依存関係をGated CNNによって捉える • 空間的な依存関係をGraph CNNによって捉える • 結果 • 2つの道路データセットを用いた実験でSoTA 9