Spatiotemporal Forecasting of Traffic Flow using Wavelet-based Temporal Attention

📄 arXiv: 2407.04440v2 📥 PDF

作者: Yash Jakhmola, Madhurima Panja, Nitish Kumar Mishra, Kripabandhu Ghosh, Uttam Kumar, Tanujit Chakraborty

分类: cs.LG, cs.NE

发布日期: 2024-07-05 (更新: 2024-09-21)

期刊: IEEE Access, 2024, Volume: 12

DOI: 10.1109/ACCESS.2024.3516195

💡 一句话要点

提出基于小波变换时序注意力的图神经网络，用于交通流量时空预测。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 时空预测 交通流量预测 图神经网络 小波变换 时序注意力

📋 核心要点

  1. 传统方法难以有效处理交通流量数据中复杂的时空依赖关系，面临非线性和长程依赖的挑战。
  2. 利用小波分解处理交通流量数据的非平稳性和长程依赖性，并结合动态时空感知图神经网络进行预测。
  3. 在三个公开数据集上，W-DSTAGNN模型在多个指标上超越了十种先进模型，并能生成更可靠的区间预测。

📝 摘要（中文）

本文针对城市交通管理系统中的交通流量时空预测问题，提出了一种基于小波变换的时序注意力模型，即基于小波动态时空感知图神经网络（W-DSTAGNN）。该模型旨在解决时空预测问题中复杂的交互、非线性和长程依赖性。小波分解可以将信号分解为可独立分析的成分，从而降低非平稳性的影响并处理交通流量数据的长程依赖性。在三个公开交通数据集上的基准实验表明，该模型能有效捕捉时空相关性，并在多个统计指标上优于十种最先进的模型。此外，该模型还能生成区间预测，显著增强交通数据集的概率预测能力。

🔬 方法详解

问题定义：论文旨在解决交通流量的时空预测问题。现有方法难以充分捕捉交通数据中复杂的时空依赖关系，尤其是在处理非线性和长程依赖性方面存在不足。这些不足导致预测精度下降，无法满足实际应用需求。

核心思路：论文的核心思路是利用小波变换来分解交通流量信号，从而更好地处理其非平稳性和长程依赖性。通过将信号分解为不同频率的成分，可以独立分析每个成分，降低复杂性，并结合图神经网络来捕捉空间依赖关系。

技术框架：W-DSTAGNN模型首先使用小波分解将交通流量数据分解为多个子带。然后，利用动态时空感知图神经网络（DSTAGNN）对每个子带进行处理，捕捉其时空依赖关系。最后，将各个子带的处理结果进行融合，得到最终的交通流量预测结果。该框架包含小波分解模块、DSTAGNN模块和融合模块。

关键创新：该论文的关键创新在于将小波变换引入到交通流量时空预测中，并结合图神经网络。小波变换能够有效地处理交通流量数据的非平稳性和长程依赖性，从而提高预测精度。此外，动态时空感知图神经网络能够更好地捕捉交通网络中的动态时空相关性。

关键设计：论文中使用了Haar小波进行分解，并选择了合适的分解层数。DSTAGNN模块采用了多头注意力机制来捕捉节点之间的时空依赖关系。损失函数方面，使用了均方误差（MSE）作为主要的优化目标，并可能结合其他正则化项来防止过拟合。网络结构方面，图卷积层数和隐藏层维度等参数根据数据集特点进行了调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，W-DSTAGNN模型在三个公开交通数据集上均优于十种最先进的模型。例如，在PeMSD7数据集上，W-DSTAGNN模型在MAE、RMSE和MAPE三个指标上均取得了显著提升。此外，该模型还能生成更可靠的区间预测，为交通流量预测提供更全面的信息。

🎯 应用场景

该研究成果可应用于智能交通管理系统，例如交通流量预测、交通拥堵预警和路径规划。通过提高交通流量预测的准确性，可以优化交通资源分配，减少交通拥堵，提高出行效率，并为城市可持续发展提供支持。该模型还可扩展到其他时空预测问题，如气象预测和环境监测。

📄 摘要（原文）

Spatiotemporal forecasting of traffic flow data represents a typical problem in the field of machine learning, impacting urban traffic management systems. In general, spatiotemporal forecasting problems involve complex interactions, nonlinearities, and long-range dependencies due to the interwoven nature of the temporal and spatial dimensions. Due to this, traditional statistical and machine learning methods cannot adequately handle the temporal and spatial dependencies in these complex traffic flow datasets. A prevalent approach in the field combines graph convolutional networks and multi-head attention mechanisms for spatiotemporal processing. This paper proposes a wavelet-based temporal attention model, namely a wavelet-based dynamic spatiotemporal aware graph neural network (W-DSTAGNN), for tackling the traffic forecasting problem. Wavelet decomposition can help by decomposing the signal into components that can be analyzed independently, reducing the impact of non-stationarity and handling long-range dependencies of traffic flow datasets. Benchmark experiments using three popularly used statistical metrics confirm that our proposal efficiently captures spatiotemporal correlations and outperforms ten state-of-the-art models (including both temporal and spatiotemporal benchmarks) on three publicly available traffic datasets. Our proposed ensemble method can better handle dynamic temporal and spatial dependencies and make reliable long-term forecasts. In addition to point forecasts, our proposed model can generate interval forecasts that significantly enhance probabilistic forecasting for traffic datasets.