[論文レビュー] AST-GIN: Attribute-Augmented Spatial-Temporal Graph Informer Network for Electric Vehicle Charging Station Availability Forecasting

Ruikang Luo, Yaofeng Song+3 more|arXiv (Cornell University)|Sep 7, 2022

Transportation and Mobility Innovations被引用数 4

ひとこと要約

本稿では、グラフ畳み込みネットワークとInformerアーキテクチャを統合し、属性補強符号化を組み合わせた新しい深層学習モデルAST-GINを提案する。このモデルは、空間的・時間的依存関係に加え、動的・静的外部要因をモデル化することで、電気自動車（EV）充電ステーションの利用可能状況を予測する。ダンディー市から得た実世界のデータを用いた評価において、AST-GINは、90分予測ではベースラインを最大11.54%、120分予測では8.97%上回る最先端の性能を達成した。

ABSTRACT

Electric Vehicle (EV) charging demand and charging station availability forecasting is one of the challenges in the intelligent transportation system. With the accurate EV station situation prediction, suitable charging behaviors could be scheduled in advance to relieve range anxiety. Many existing deep learning methods are proposed to address this issue, however, due to the complex road network structure and comprehensive external factors, such as point of interests (POIs) and weather effects, many commonly used algorithms could just extract the historical usage information without considering comprehensive influence of external factors. To enhance the prediction accuracy and interpretability, the Attribute-Augmented Spatial-Temporal Graph Informer (AST-GIN) structure is proposed in this study by combining the Graph Convolutional Network (GCN) layer and the Informer layer to extract both external and internal spatial-temporal dependence of relevant transportation data. And the external factors are modeled as dynamic attributes by the attribute-augmented encoder for training. AST-GIN model is tested on the data collected in Dundee City and experimental results show the effectiveness of our model considering external factors influence over various horizon settings compared with other baselines.

研究の動機と目的

• 複雑な空間的・時間的ダイナミクスと外部要因の影響を受ける中で、EV充電ステーションの利用可能状況を正確に予測する課題に対処すること。
• 天候、POI、時間帯パターンなどの包括的な外部要因を統合できない既存のモデルの限界を克服すること。
• 静的要因（例：POIタイプ）と動的要因（例：天候、時間）を空間的・時間的依存関係とともにモデル化できる統合型の深層学習フレームワークを開発すること。
• 外部属性をモデルのアテンションおよびメッセージパッシング機構に明示的に符号化することで、予測の頑健性と解釈可能性を向上させること。
• ダンディー市の実世界データを用いて、複数の予測ホライズンにわたってモデルの有効性を検証すること。

提案手法

• 空間的依存関係のモデル化にGCNを、長距離時間的アテンションのモデル化にInformerを組み合わせた、属性補強付き空間的・時間的グラフInformerネットワーク（AST-GIN）を提案する。
• 外部要因（天候、時間帯、POIタイプなど）を動的にノードレベルの埋め込みに符号化するための属性補強ユニット（A2Unit）を導入する。
• グラフ畳み込み層を用いて、充電ステーション同士のトポロジー的関係を捉え、空間グラフ上のノードとしてモデル化する。
• 要因分解されたアテンション設計を備えたInformerのマルチヘッド自己アテンション機構を活用し、効率的な長距離時間的依存関係のモデル化を実現する。
• 歴史的利用データ、外部属性、空間グラフ構造を用いて、モデルをエンドツーエンドで学習し、将来の利用可能状況を予測する。
• 訓練の安定化と異なる予測ホライズンにおける一般化性能の向上を図るため、正規化と残差接続を適用する。

実験結果

リサーチクエスチョン

• RQ1 統合型の深層学習モデルは、EV充電ステーション利用データの空間的および時間的依存関係を効果的に捉えることができるか？
• RQ2 天候やPOIタイプなどの動的・静的外部要因は、予測精度をどの程度向上させるか？
• RQ3 属性補強符号化を統合することで、外部要因を無視するモデルと比較して、モデル性能はどのように向上するか？
• RQ4 AST-GINは、短期・中期・長期の予測ホライズンにわたり、優れた性能を維持するか？
• RQ5 AST-GINは、実世界のセンサデータにおけるノイズや摂動に対して、どの程度頑健か？

主な発見

• AST-GINは、全予測ホライズンで最高の精度を達成し、90分ホライズンでは0.8388の精度を記録。最良のベースライン（STTN）を11.54%上回った。
• 120分ホライズンでは、AST-GINは0.7507の精度を達成し、最良のベースラインモデル（STTN）を8.97%上回った。
• 静的および動的外部要因の組み合わせが最良の性能をもたらし、特に短期予測（例：30〜90分）において、精度の向上が顕著に見られた。
• 長期予測（120分）では、組み合わせ型と個別型の要因タイプとの性能差が縮小し、時間的パターンが外部要因を上回ることが示唆された。
• 摂動解析の結果、AST-GINはガウスノイズの注入に対しても性能が安定しており、強いノイズ耐性を示した。
• 可視化結果から、AST-GINは異なるホライズンにおいても一貫して真値を追跡しており、安定的かつ正確な時間的予測能力を有していることが示された。