Accurate traffic flow forecasting is a crucial research topic in transportation management. However, it is a challenging problem due to rapidly changing traffic conditions, high nonlinearity of traffic flow, and complex spatial and temporal correlations of road networks. Most existing studies either try to capture the spatial dependencies between roads using the same semantic graph over different time steps, or assume all sensors on the roads are equally likely to be connected regardless of the distance between them. However, we observe that the spatial dependencies between roads indeed change over time, and two distant roads are not likely to be helpful to each other when predicting the traffic flow, both of which limit the performance of existing studies. In this paper, we propose Dynamic Adaptive Graph Learning Network (DAGLN) to address these problems. More precisely, to effectively model the nature of time series, we leverage Recurrent Neural Networks (RNNs) to dynamically construct a graph at each time step, thereby capturing the time-evolving spatial dependencies between roads (i.e., microscopic view). Simultaneously, we provide the geographical information to the model, ensuring that close and consecutive sensors are considered to be more important for predicting the traffic flow (i.e., macroscopic view). Furthermore, to endow DAGLN with robustness against distribution shifts between the training and testing phases, we introduce an edge sampling strategy when constructing the graph at each time step, which eventually leads to further improvements in the model performance. Experimental results on four commonly used real-world benchmark datasets show the effectiveness of DAGLN.
교통 흐름 예측의 정확성은 교통 관리 분야에서 핵심적인 연구 주제다. 하지만 급속한 교통 상황 변화, 교통 흐름의 복잡한 비선형성, 그리고 도로 네트워크의 복잡한 공간적 및 시간적 상관관계로 인해 이 문제는 큰 도전을 수반한다. 현재 대부분의 연구는 시간마다 도로 간의 공간적 의존성을 파악하기 위해 동일한 의미 구조의 그래프를 사용하거나, 도로상의 센서들이 거리에 관계없이 그래프로 연결될 가능성이 동일하다고 가정한다. 그러나 우리는 도로 간의 공간적 의존성은 시간에 따라 변하며, 교통 흐름을 예측할 때 멀리 떨어진 두 도로의 센서가 서로에게 큰 도움이 되지 않을 가능성이 높다는 것을 발견하였다. 이 두 가지 요인은 기존 연구의 성능을 제한하는 요소로 작용하고 있다. 본 논문에서는 이러한 문제점들을 해결하기 위해 Dynamic Adaptive Graph Learning Network (DAGLN)를 제안한다. DAGLN은 시계열 데이터의 특성을 효과적으로 모델링하기 위해, 각 시간 단계마다 동적으로 그래프를 구성하여 시간에 따른 도로간 공간적 의존성 변화를 포착한다. 또한 모델에 지리적 정보를 제공하여 가까운 위치에 연속적으로 존재하는 센서가 교통 흐름 예측에 더 중요하게 고려되도록 한다. 더욱이, 각 시간 단계별 그래프 생성 과정에 에지 샘플링 전략을 도입해 데이터 분포 변화에 대한 견고성을 높이며 성능의 향상을 이루었다. 네 개의 실제 교통 데이터에 대한 실험을 통하여 DAGLN의 우수한 성능을 확인하였다.