[論文レビュー] Context-aware demand prediction in bike sharing systems: incorporating spatial, meteorological and calendrical context

Cláudio Sardinha, Anna Carolina Finamore+1 more|arXiv (Cornell University)|May 3, 2021

Urban Transport and Accessibility参考文献 35被引用数 5

ひとこと要約

本稿では、空間的、気象的、暦的文脈を統合することで自転車共有需要予測を向上させる文脈に配慮したLSTMベースのモデルを提案する。系列LSTMに多次元時系列マスクと予測的文脈による時変正則化を適用することで、空間的相関関係や天候の影響を特に効果的に扱えるようになり、予測精度が顕著に向上する。

ABSTRACT

Bike sharing demand is increasing in large cities worldwide. The proper functioning of bike-sharing systems is, nevertheless, dependent on a balanced geographical distribution of bicycles throughout a day. In this context, understanding the spatiotemporal distribution of check-ins and check-outs is key for station balancing and bike relocation initiatives. Still, recent contributions from deep learning and distance-based predictors show limited success on forecasting bike sharing demand. This consistent observation is hypothesized to be driven by: i) the strong dependence between demand and the meteorological and situational context of stations; and ii) the absence of spatial awareness as most predictors are unable to model the effects of high-low station load on nearby stations. This work proposes a comprehensive set of new principles to incorporate both historical and prospective sources of spatial, meteorological, situational and calendrical context in predictive models of station demand. To this end, a new recurrent neural network layering composed by serial long-short term memory (LSTM) components is proposed with two major contributions: i) the feeding of multivariate time series masks produced from historical context data at the input layer, and ii) the time-dependent regularization of the forecasted time series using prospective context data. This work further assesses the impact of incorporating different sources of context, showing the relevance of the proposed principles for the community even though not all improvements from the context-aware predictors yield statistical significance.

研究の動機と目的

• 空間的相関関係や外部的文脈要因による自転車共有需要予測の不正確さという課題に対処すること。
• 予測精度の向上により、自転車共有システムにおけるステーションのバランス調整と運用効率を改善すること。
• 深層学習モデルに、歴史的および予測的空間的・気象的・暦的文脈を体系的に統合すること。
• 異種の文脈データ間の変数間関係を捉える新しい再帰的ニューラルネットワークアーキテクチャの開発。
• 今後のモデル設計を支援するため、異なる文脈要因が予測性能に与える相対的影響を評価すること。

提案手法

• 空間的、気象的、暦的要因からの多次元時系列データをモデル化する複数のLSTMコンponentで構成される系列LSTMアーキテクチャを提案する。
• 入力層に多次元時系列マスクを導入し、過去の天候やステーション負荷などの歴史的文脈データを補助入力として符号化する。
• 予測の時間的進行に応じて予測的文脈データ（例：天気予報）を用いて予測出力を時変正則化することで、予測精度を向上させる。
• 時系列の重心（バーリセンター）を用いた距離ベースの予測器を設計し、比較のための競合ベースラインとして活用する。
• ステーションの近接性と容量に基づく空間的マスクを用いて、近隣のステーション間の相関関係をモデル化する。
• リスボンのGIRA自転車共有システムの実データを用いてモデルを学習・評価し、MAE、RMSE、R²などの指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 空間的・気象的・暦的文脈を統合することで、自転車共有需要予測の精度はどの程度向上するか？
• RQ2 歴史的データと予測的データの両方が予測性能に与える相対的寄与度はどの程度か？
• RQ3 ステーション間の空間的相関関係は需要予測にどの程度影響を及ぼし、効果的にモデル化できるか？
• RQ4 文脈に配慮したマスクと正則化を備えた系列LSTMアーキテクチャは、標準LSTMやベースラインモデルを上回る性能を示せるか？
• RQ5 風速、降水量、休日などの特定の文脈変数のうち、需要予測に最も顕著な影響を与えるのはどれか？

主な発見

• 多次元マスクと時変正則化を備えた文脈に配慮したLSTMモデルは、GIRAの全ステーションにおけるチェックイン予測で平均MAE 2.16 ± 0.22を達成し、ベースラインモデルを上回った。
• 歴史的および予測的天候変数の両方を統合することで予測精度が向上し、風速と降水量が最も強い予測的影響を示した。
• 空間的マスクと補助的需要時系列の活用により予測精度が向上したが、誤差の差は統計的に有意ではなかった。
• 予測的データよりも歴史的データの影響がわずかに高かった。これは、予測天候変数に伴う不確実性のためと推察される。
• 多様な条件下でも安定した性能を示し、特に困難なテストインスタンス（例：Orienteクラスタ）では、文脈に配慮した予測が標準LSTMに比べて誤差を低減した。
• ハイパーパramータチューニングの結果、小規模バッチサイズとAdam最適化アルゴリズムが最適な性能を示し、ドロップアウトとL1正則化によりさらなる改善が得られた。