[論文レビュー] AdaEnsemble Learning Approach for Metro Passenger Flow Forecasting

Shaolong Sun, Dongchuan Yang+2 more|arXiv (Cornell University)|Feb 18, 2020

Traffic Prediction and Management Techniques参考文献 38被引用数 4

ひとこと要約

本稿では、可変モード分解（VMD）、SARIMA、LSTM、MLPモデルを統合した、適応的アンサンブル学習フレームワークAdaEnsembleを提案する。流れのデータを周期的、決定論的、変動的成分に分解し、それぞれに特化したアルゴリズムでモデル化した後、メタMLPを用いて予測値を再結合することで、複数の評価指標において深セン地下鉄データで最先端の精度と頑健性を達成した。

ABSTRACT

Accurate and timely metro passenger flow forecasting is critical for the successful deployment of intelligent transportation systems. However, it is quite challenging to propose an efficient and robust forecasting approach due to the inherent randomness and variations of metro passenger flow. In this study, we present a novel adaptive ensemble (AdaEnsemble) learning approach to accurately forecast the volume of metro passenger flows, and it combines the complementary advantages of variational mode decomposition (VMD), seasonal autoregressive integrated moving averaging (SARIMA), multilayer perceptron network (MLP) and long short-term memory (LSTM) network. The AdaEnsemble learning approach consists of three important stages. The first stage applies VMD to decompose the metro passenger flows data into periodic component, deterministic component and volatility component. Then we employ SARIMA model to forecast the periodic component, LSTM network to learn and forecast deterministic component and MLP network to forecast volatility component. In the last stage, the diverse forecasted components are reconstructed by another MLP network. The empirical results show that our proposed AdaEnsemble learning approach not only has the best forecasting performance compared with the state-of-the-art models but also appears to be the most promising and robust based on the historical passenger flow data in Shenzhen subway system and several standard evaluation measures.

研究の動機と目的

• 極めて変動が大きく非ステーションナリティな地下鉄乗客流入データの予測という課題に取り組む。
• 多様なアルゴリズムの相補的な強みを活用することで、単一モデル手法の限界を克服する。
• 予測精度と安定性を向上させる、頑健で適応的なアンサンブルフレームワークを開発する。
• 実世界の地下鉄データにおける成分ごとの分解と特化型モデリングの有効性を実証する。

提案手法

• 原始的な乗客流入時系列データを、周期的、決定論的、変動的の3つの異なる成分に分解するために、可変モード分解（VMD）を適用する。
• 周期的成分をモデル化・予測するためにSARIMAを用い、季節的および循環的パターンを捉える。
• 長期的な依存関係をモデル化するために、長短記憶ネットワーク（LSTM）を用いて決定論的成分を学習・予測する。
• 不規則な変動を表す変動的成分を予測するために、多層パーセプトロン（MLP）を訓練する。
• 3つの成分モデルの予測値をメタMLPネットワークを用いて組み合わせることで、最終的な予測値を再構築する。
• 深セン地下鉄システムの歴史的乗客流入データを用いて、AdaEnsembleフレームワーク全体をエンドツーエンドで最適化する。

実験結果

リサーチクエスチョン

• RQ1 特殊化されたモデルのアンサンブルは、個々の予測モデルよりも地下鉄乗客流入予測で優れた性能を発揮できるか？
• RQ2 VMDは、複雑な乗客流入時系列を解釈可能で予測可能な成分に分解するのにどの程度効果的か？
• RQ3 成分別モデリング（周期的成分にはSARIMA、決定論的成分にはLSTM、変動的成分にはMLP）は、予測精度を向上させるか？
• RQ4 単純平均と比較して、メタMLPによる再結合段階は、全体の予測性能をどの程度向上させるか？
• RQ5 実世界の地下鉄システムにおける異なる時間スケールおよびデータ条件において、AdaEnsembleフレームワークの頑健性はどの程度か？

主な発見

• AdaEnsembleモデルは、深セン地下鉄データにおいて、比較されたすべての最先端モデルの中で最高の予測性能を達成した。
• MAE、RMSE、MAPEを含む複数の評価指標において、優れた頑健性を示した。
• VMDによる成分ごとの分解は、下流の予測における解釈可能性と精度を顕著に向上させた。
• SARIMA、LSTM、MLPを異なる成分に組み合わせることで、単一モデルを用いるよりもより正確な予測が得られた。
• メタMLPによる再結合段階は、予測値の組み合わせを効果的に実現し、誤差を低減し一般化性能を向上させた。
• 実証結果から、AdaEnsembleは正確であるだけでなく、多様なデータ条件下でも一貫して信頼性が高いことが確認された。