[論文レビュー] Completion and Augmentation based Spatiotemporal Deep Learning Approach for Short-Term Metro Origin-Destination Matrix Prediction under Limited Observable Data

Jiexia Ye, Juanjuan Zhao+2 more|arXiv (Cornell University)|Aug 9, 2021

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本稿では、限られた観測データ下でも短期的な地下鉄出発地・到着地（OD）行列の予測を向上させるため、完成および拡張に基づく時空間ディープラーニングモデル（C-AHGCSP）を提案する。類似した属性を持つ駅間のデータ駆動型相関を活用し、リアルタイムの移動行動の変化と移動時間を利用して不完全なODフローを補完することで、ベースライン比で最大4%の性能向上を達成し、他のモデルにそのデータ補完フレームワークを統合することで最大2.1%の向上を実現した。

ABSTRACT

Short-term OD flow (i.e. the number of passenger traveling between stations) prediction is crucial to traffic management in metro systems. Due to the delayed effect in latest complete OD flow collection, complex spatiotemporal correlations of OD flows in high dimension, it is more challengeable than other traffic prediction tasks of time series. Existing methods need to be improved due to not fully utilizing the real-time passenger mobility data and not sufficiently modeling the implicit correlation of the mobility patterns between stations. In this paper, we propose a Completion based Adaptive Heterogeneous Graph Convolution Spatiotemporal Predictor. The novelty is mainly reflected in two aspects. The first is to model real-time mobility evolution by establishing the implicit correlation between observed OD flows and the prediction target OD flows in high dimension based on a key data-driven insight: the destination distributions of the passengers departing from a station are correlated with other stations sharing similar attributes (e.g. geographical location, region function). The second is to complete the latest incomplete OD flows by estimating the destination distribution of unfinished trips through considering the real-time mobility evolution and the time cost between stations, which is the base of time series prediction and can improve the model's dynamic adaptability. Extensive experiments on two real world metro datasets demonstrate the superiority of our model over other competitors with the biggest model performance improvement being nearly 4\%. In addition, the data complete framework we propose can be integrated into other models to improve their performance up to 2.1\%.

研究の動機と目的

• 不完全で遅延するデータ収集下での短期的地下鉄出発地・到着地（OD）行列の予測という課題に対処すること。
• 特に駅間の動的で内蔵された移動パターンを含む、高次元ODフローにおける複雑な時空間相関をモデル化すること。
• リアルタイムの移動行動の変化と時間コスト推定を用いて、不完全なODフローを補完することで予測精度を向上させること。
• 他のモデルに統合可能なデータ補完フレームワークを構築すること。

提案手法

• 本モデルは、地理的近接性（ガウスカーネルを介して）、地域機能（KLダイバージェンスを介して）、およびグローバルな動的特性（自己注意メカニズムを介して）を抽出するための適応的非均質グラフ畳み込み（AHGC）モジュールを用いる。
• 未完了の移動を推定するためのデータ補完推定器を提案し、リアルタイムの移動行動の変化と駅間移動時間に基づいて乗客の到着地分布をモデル化する。
• 主な洞察は、ある駅からの乗客の到着地分布が、類似した属性を持つ他の駅のそれと相関しているため、暗黙の相関をモデル化可能であるということである。
• ODフローの順序パターンを捉えるためにLSTMを用いた時系列依存性モジュールを統合する。
• データ補完プロセスは、歴史的な遅延OD比と流入／流出データを用いて訓練され、最終収集前に完全なOD行列を推定する。
• 完全なフレームワークはエンドツーエンドで学習可能であり、時空間モデリングと動的データ補完を統合することで、より高い適応性と精度を実現する。

実験結果

リサーチクエスチョン

• RQ1 類似した属性を持つ地下鉄駅間の暗黙的な空間相関を、ODフロー予測の向上に向け効果的にモデル化する方法は何か？
• RQ2 リアルタイムの移動行動の変化と移動時間情報を利用して、不完全なODフローをどの程度正確に補完できるか？
• RQ3 既存のOD予測モデルの性能を向上させるためのデータ補完フレームワークを設計できるか？
• RQ4 データ補完の統合が、地下鉄システムにおける時空間モデルの動的適応性と予測精度に与える影響は何か？
• RQ5 空間相関モデリングとデータ補完の両者が、全体の予測性能向上に果たす相対的寄与度は何か？

主な発見

• 提案されたC-AHGCSPモデルは、2つの実世界の地下鉄データセットにおいて、既存のベースライン比で最大4%の性能向上を達成した。
• データ補完フレームワーク単体でも、WMAPEで他のモデルの性能を最大2.1%向上させた。特に上海のようなより不完全なデータセットで顕著な向上が見られた。
• モデルの性能はLSTMユニット数に最も敏感であり、過学習が発生する前の256ユニットで最適な性能を示した。
• グローバルな動的特性次元とグラフ畳み込みユニットは、それぞれ上海で16および512、深センで128が最も効果的であり、低次元表現が疎なOD情報を効果的に集約できることを示唆している。
• AHGCSPに基づく推定器は、最終時刻のOD行列を直接予測する手法を上回る性能を示しており、初期の不完全なデータからの事前知識が推定を改善していることを示している。
• ハイパーパrameter感度分析により、モデルがさまざまな設定に対して頑健であり、特にグラフ畳み込みと動的特性の次元を適切に調整した場合に一貫して高い性能を発揮することが確認された。