17日前

交通予測におけるGraph WaveNet性能の段階的向上

Sam Shleifer, Clara McCreery, Vamsi Chitters
交通予測におけるGraph WaveNet性能の段階的向上
要約

METR-LA交通予測タスクにおいて、従来のGraph WaveNet(GWN)の最先端性能をさらに向上させる一連の改良を提案する。本タスクの目的は、過去1時間分のセンサー読み取りデータを用いて、ネットワーク内の各センサーにおける交通速度の将来値を予測することである。Graph WaveNetは、空間的・時系列的な情報を統合するため、近隣のセンサーからの情報を集約するグラフ畳み込みと、過去の時系列情報を集約する拡張畳み込み(dilated convolutions)を交互に適用する、空間時系列グラフニューラルネットワークである。本研究では、(1)より適切なハイパーパラメータの採用、(2)初期の畳み込み層へより大きな勾配が戻るよう接続を追加、(3)より簡単な短期交通予測タスクでの事前学習を導入することで、GWNの性能を向上させた。これらの改良により、METR-LAタスクにおける平均絶対誤差(MAE)が0.06低下し、これはGWNがその前駆モデルに対して達成した改善とほぼ同等の効果である。この改善効果はPEMS-BAYデータセットにも同様の相対的な程度で一般化される。さらに、短期予測と長期予測にそれぞれ別々のモデルをアンサンブルする手法が、性能のさらなる向上を示している。コードは以下のURLで公開されている:https://github.com/sshleifer/Graph-WaveNet。

交通予測におけるGraph WaveNet性能の段階的向上 | 最新論文 | HyperAI超神経