[論文レビュー] An Application of Network Lasso Optimization For Ride Sharing Prediction

Shaona Ghosh, Kevin Page+1 more|arXiv (Cornell University)|Jun 10, 2016

Human Mobility and Location-Based Analysis参考文献 9被引用数 6

ひとこと要約

本稿では、空間的およびモデルの類似性に基づいて、リモート共有リクエストを共同で最適化およびクラスタリングするスケーラブルで統合的な最適化フレームワークを提案する。Network LassoとADMMを用いることで、リアルタイムかつ高精度な運賃予測を実現する。本手法は、実データおよび合成データ上で、収束性およびクラスタリング能力において通常のLassoを上回り、99.8%の予測精度と8%の効率的クラスタリングを達成した。

ABSTRACT

Ride sharing has important implications in terms of environmental, social and individual goals by reducing carbon footprints, fostering social interactions and economizing commuter costs. The ride sharing systems that are commonly available lack adaptive and scalable techniques that can simultaneously learn from the large scale data and predict in real-time dynamic fashion. In this paper, we study such a problem towards a smart city initiative, where a generic ride sharing system is conceived capable of making predictions about ride share opportunities based on the historically recorded data while satisfying real-time ride requests. Underpinning the system is an application of a powerful machine learning convex optimization framework called Network Lasso that uses the Alternate Direction Method of Multipliers (ADMM) optimization for learning and dynamic prediction. We propose an application of a robust and scalable unified optimization framework within the ride sharing case-study. The application of Network Lasso framework is capable of jointly optimizing and clustering different rides based on their spatial and model similarity. The prediction from the framework clusters new ride requests, making accurate price prediction based on the clusters, detecting hidden correlations in the data and allowing fast convergence due to the network topology. We provide an empirical evaluation of the application of ADMM network Lasso on real trip record and simulated data, proving their effectiveness since the mean squared error of the algorithm's prediction is minimized on the test rides.

研究の動機と目的

• 既存のリモート共有システムに、リアルタイムで共有機会を予測できない柔軟性に欠けるスケーラブルな学習手法が欠如している問題に対処すること。
• 最適化とクラスタリングを統合した単一の統一フレームワークに統合することで、応答時間と計算オーバーヘッドを低減すること。
• リモート共有データ内の空間的およびモデルベースの類似性を活用して、類似した乗車をグループ化し、予測精度を向上させること。
• ネットワークトポロジーに配慮した最適化を用いて、大規模なリモート共有システムにおける高速かつ分散型の収束を実現すること。
• 実世界のグリーンタクシー乗車データおよび合成データセット上でフレームワークを検証し、ベースラインのLasso手法に比べ優れた性能を示すこと。

提案手法

• L1正則化とグラフベースの滑らかさ制約を組み合わせた凸最適化フレームワークであるNetwork Lassoを適用し、クラスタリングとスパarsityを促進する。
• Network Lassoの最適化問題を分散的かつスケーラブルに解くために、交替方向乗数法（ADMM）を用いる。
• 乗車リクエストをネットワーク上のノードとしてモデル化し、エッジは空間的近接性および乗車パラメータ（例：出発地、目的地、時間、乗車定員）の類似性を表す。
• ネットワーク構造を活用して、類似した乗車間で予測の滑らかさを強制し、クラスタ化された乗車に対して共通のモデルパラメータを共有する。
• 予測誤差とネットワーク全体におけるモデル類似性のバランスを取る正則化された目的関数を最小化することで、共同最適化とクラスタリングを実現する。
• 近隣構造（5および10近傍）を用いてネットワークトポロジーを定義し、地理的でない類似性がクラスタリングに影響を与えるようにする。

実験結果

リサーチクエスチョン

• RQ1 従来の分離型アプローチと比較して、統合的最適化・クラスタリングフレームワークは、リモート共有システムにおけるリアルタイム予測精度を向上させることができるか？
• RQ2 Network LassoにADMMを組み合わせることで、ネットワークトポロジーをどれだけ効果的に活用して類似した乗車をグループ化し、予測性能を向上させることができるか？
• RQ3 モデル類似性と空間的近接性を統合することで、動的リモート共有シナリオにおけるクラスタリング効率と予測精度にどのような影響を与えるか？
• RQ4 通常のLassoと比較して、本手法は収束速度、スパarsity、およびクラスタリング能力においてどのように優れているか？
• RQ5 限られた学習信号を持つ高次元の実世界リモート共有データに、このフレームワークはどの程度一般化可能か？

主な発見

• Network Lasso-ADMMフレームワークは、テスト乗車において99.8%の予測精度を達成し、精度およびクラスタリング能力の両面で通常のLassoを顕著に上回った。
• 本手法は8%の効率的クラスタリングを達成し、モデルおよび空間的類似性に基づく有効なグループ化を示した。
• 通常のADMM Lassoは50イテレーション以内に収束したが、ネットワークトポロジーを活用できず、意味のあるクラスタリングを生じさせなかった。
• フレームワークはL1正則化により自動的に30%の特徴を選択し、5000次元の合成データに対して強いスパarsityと一般化されたモデル選択を示した。
• 地理的に離れた乗車であっても、同じモデルパラメータを持つ場合にクラスタリングされたことを示し、トポロジーに配慮したクラスタリングの重要な自己発生的特性を示した。
• クラスタリング結果は近隣構造の選択に強く依存せず、10近傍ネットワークではクラスタメンバーシップの割り当てに高い一致度と一貫性を示した。