面向交通预测的时空图神经网络半分散训练

在智能出行领域，由地理分布广泛的传感器组成的大型网络会产生大量高频时空数据，这些数据必须实时处理以避免重大中断。传统的集中式方法越来越不适合这项任务，因为它们难以随着传感器网络的扩展而扩展，并且中心组件的可靠性问题很容易影响整个部署。为了解决这些挑战，我们探索并调整了面向智能出行领域的时空图神经网络（ST-GNN）的半分散训练技术。我们实现了一个仿真框架，其中传感器按邻近性分组到多个云节点中，每个云节点处理交通图的一个子图，从其他云节点获取节点特征以训练其自身的局部ST-GNN模型，并与其他云节点交换模型更新以确保一致性，从而增强可扩展性并消除对集中式聚合器的依赖。我们在大规模交通数据集METR-LA和PeMS-BAY上，针对短期、中期和长期车辆速度预测，对四种不同的ST-GNN训练设置——集中式、传统联邦学习、无服务器联邦学习和八卦学习——进行了广泛的比较评估。实验结果表明，半分散设置在性能指标上与集中式方法相当，同时在可扩展性和容错性方面具有优势。此外，我们强调了现有分布式ST-GNN文献中经常被忽视的问题，例如由于区域特定的交通模式导致不同地理区域的模型性能变化，以及GNN的大感受野带来的显著通信开销和计算成本，导致大量数据传输和部分嵌入计算量的增加。