[論文レビュー] A Cluster-Based Trip Prediction Graph Neural Network Model for Bike Sharing Systems

Bárbara Tavares, Cláudia Soares+1 more|arXiv (Cornell University)|Jan 3, 2022

Human Mobility and Location-Based Analysis被引用数 6

ひとこと要約

本稿では、ステーションベースの自転車共有システム（SBSS）における自転車の移動予測を目的として、クラスタリング、気象データ、および時間的移動パターンを統合した、クラスタベースのグラフニューラルネットワーク（GNN）モデルAdaTC+を提案する。リンク予測において88%の精度を達成し、非クラスタリングベースライン（83%）を著しく上回り、クラスタリングが不均衡な自転車利用データにおけるGNNのロバスト性と予測性能を向上させることを示している。

ABSTRACT

Bike Sharing Systems (BSSs) are emerging as an innovative transportation service. Ensuring the proper functioning of a BSS is crucial given that these systems are committed to eradicating many of the current global concerns, by promoting environmental and economic sustainability and contributing to improving the life quality of the population. Good knowledge of users' transition patterns is a decisive contribution to the quality and operability of the service. The analogous and unbalanced users' transition patterns cause these systems to suffer from bicycle imbalance, leading to a drastic customer loss in the long term. Strategies for bicycle rebalancing become important to tackle this problem and for this, bicycle traffic prediction is essential, as it allows to operate more efficiently and to react in advance. In this work, we propose a bicycle trips predictor based on Graph Neural Network embeddings, taking into consideration station groupings, meteorology conditions, geographical distances, and trip patterns. We evaluated our approach in the New York City BSS (CitiBike) data and compared it with four baselines, including the non-clustered approach. To address our problem's specificities, we developed the Adaptive Transition Constraint Clustering Plus (AdaTC+) algorithm, eliminating shortcomings of previous work. Our experiments evidence the clustering pertinence (88% accuracy compared with 83% without clustering) and which clustering technique best suits this problem. Accuracy on the Link Prediction task is always higher for AdaTC+ than benchmark clustering methods when the stations are the same, while not degrading performance when the network is upgraded, in a mismatch with the trained model.

研究の動機と目的

• 非均一なユーザーの移動パターンによって引き起こされる自転車共有システム（BSS）における自転車の不均衡を解消すること。
• グラフニューラルネットワークとクラスタリングを用いて、自転車利用の流れを予測するロバストでスケーラブルな手法を開発すること。
• 実世界のBSSデータにおけるクラスタリングの影響が、GNNベースの利用予測精度に与える影響を評価すること。
• 地理的近接性とBSSネットワーク内の移動ダイナミクスの両方を捉えるクラスタリングアルゴリズムを設計すること。
• 正確な誘導的予測により、将来的な自転車需要を事前に把握し、再配置戦略を能動的に実施できるようにすること。

提案手法

• 地理的距離と歴史的移動パターンに基づいてステーションをグループ化する、適応的遷移制約クラスタリング手法AdaTC+を提案し、従来のクラスタリング手法を改善する。
• GraphSAGEベースのGNNを用いて、クラスタリングされたネットワークからのノード埋め込みを学習し、気象条件と時間的利用頻度ヒストグラムを特徴量として統合する。
• リンク予測タスクを用いて、ステーションペア間の移動確率をモデル化し、CitiBike（2018–2019年）の歴史的利用データを訓練に使用する。
• 空間的、時間的、環境的特徴を統合したマルチモーダル入力表現を用い、ノード埋め込みを豊かにする。
• 異なる利用量のしきい値における精度と予測誤差区間を用いて、モデルのパフォーマンスを評価する。
• 分布シフト（例：テストデータの不一致）の下での性能を評価することで、一般化性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 移動パターンと地理的要因に基づくステーションのクラスタリングが、GNNを用いた自転車利用予測の精度を向上させるか？
• RQ2 提案手法AdaTC+のクラスタリング手法は、既存のクラスタリングベースラインと比較して予測性能で優れているか？
• RQ3 GNNベースの予測器は、分布シフト（例：新規ステーションやパターン変更）のテストデータに対して、どの程度精度を維持できるか？
• RQ4 ステーションの利用量と予測誤差の関係は何か？ また、これはモデルの信頼性にどのように影響するか？
• RQ5 本モデルは、実世界のBSSデータにおける異なる時間的・空間的パターンに一般化できるか？

主な発見

• AdaTC+のクラスタリング手法により、リンク予測の精度が88%まで向上した。非クラスタリングの場合の83%と比較して、GNNベースの予測における構造的クラスタリングの価値が裏付けられた。
• ネットワーク構造が変化しても、AdaTC+はベンチマーククラスタリング手法を一貫して上回り、分布シフト下でもロバストであることが示された。
• 1日平均67件以上の利用があるステーションでは、予測誤差が20%未満に抑えられ、高流量ステーションにおける信頼性の高い性能が確認された。
• 全ステーションの64%が平均（514件）未満の利用量にとどまっており、これらの非典型的なステーションが予測誤差の増大に顕著に寄与しており、不均衡データの課題が浮き彫りになった。
• 少なくとも120件の出発と100件の到着を記録するステーションでは、平均誤差率が12%に留まり、高需要状況における誤差の実用的上限を示した。
• クラスタのメドイドのみを用いた簡素化されたネットワークでは、一般化が不十分で、精度はたったの56%にとどまり、性能を発揮するにはステーションレベルの完全なモデリングが不可欠であることが示された。