PaSTG：一种用于智慧城市交通预测的并行时空GCN框架

《ACM Transactions on Sensor Networks》：PaSTG: A Parallel Spatio-Temporal GCN Framework for Traffic Forecasting in Smart City

并行时空图卷积网络通过区域划分与特征聚合提升大规模交通预测效率

　　

摘要

从城市传感器数据预测未来的交通状况对于智能城市应用至关重要。最近的交通预测方法源自时空图卷积网络（STGCNs）。尽管这些时空模型取得了显著的成就，但它们主要是在小规模数据集上进行了评估。随着物联网和城市化的快速发展，城市中的传感器部署数量不断增加，从而收集到了大量的传感器数据，为更准确地了解全市范围内的交通动态提供了支持。然而，在大规模交通数据上进行时空图建模面临着计算设备内存限制的挑战。对于交通预测来说，将道路网络中的子图采样到多个设备上是可行的。最近提出了许多GCN采样方法。然而，将这些方法与STGCNs结合使用会降低性能，这主要是由于每个采样子图引入的预测偏差，这些子图是从区域角度分析交通状态的。

为了解决这些挑战，我们引入了一个名为PaSTG的并行STGCN框架。PaSTG将道路网络划分为多个区域，每个区域由设备中的独立STGCN进行处理。为了减少区域偏差，PaSTG中的聚合模块会合并每个STBlock中的时空特征。这种协作增强了交通预测的准确性。此外，PaSTG实现了流水线并行性，并采用了一种图划分算法来优化流水线效率。我们在多个GPU上使用三个交通数据集对PaSTG进行了评估。结果表明，我们的并行方法适用于多种STGCN模型，在预测准确性上比现有的GCN采样器提高了多达57.4%。同时，与GCN采样器相比，该并行框架在训练和推理过程中的速度提升了2.87倍和4.70倍。