[論文レビュー] Crowd Flow Prediction by Deep Spatio-Temporal Transfer Learning.

Leye Wang, Geng Xu+3 more|arXiv (Cornell University)|Feb 1, 2018

Traffic Prediction and Management Techniques参考文献 7被引用数 23

ひとこと要約

本稿では、データ豊富なソース都市から知識を転送することで、データが乏しいターゲット都市における集団の流れを予測するための深層時空間的転送学習フレームワーク、RegionTransを提案する。ソーシャルチェックインを介して都市間の領域をリンクさせ、隠れ表現の乖離を最小化することで、最先端の手法と比較して予測誤差を最大10.7%まで低減する。

ABSTRACT

Crowd flow prediction is a fundamental urban computing problem. Recently, deep learning has been successfully applied to solve this problem, but it relies on rich historical data. In reality, many cities may suffer from data scarcity issue when their targeted service or infrastructure is new. To overcome this issue, this paper proposes a novel deep spatio-temporal transfer learning framework, called RegionTrans, which can predict future crowd flow in a data-scarce (target) city by transferring knowledge from a data-rich (source) city. Leveraging social network check-ins, RegionTrans first links a region in the target city to certain regions in the source city, expecting that these inter-city region pairs will share similar crowd flow dynamics. Then, we propose a deep spatio-temporal neural network structure, in which a hidden layer is dedicated to keeping the region representation. A source city model is then trained on its rich historical data with this network structure. Finally, we propose a region-based cross-city transfer learning algorithm to learn the target city model from the source city model by minimizing the hidden representation discrepancy between the inter-city region pairs previously linked by check-ins. With experiments on real crowd flow, RegionTrans can outperform state-of-the-arts by reducing up to 10.7% prediction error.

研究の動機と目的

• 限られた歴史的データを持つ都市における集団の流れ予測の課題に対処すること。
• データ豊富なソース都市からの知識を活用することで、都市計算におけるデータ不足を克服すること。
• 都市間で空間的・時間的ダイナミクスを保持する転送学習フレームワークを開発すること。
• 領域レベルの整合性を用いて、都市間の集団の流れパターンの一般化を可能にすること。
• リンクされたソース都市とターゲット都市の領域間での表現乖離を最小化することで、ターゲット都市の予測精度を向上させること。

提案手法

• ターゲット都市とソース都市間の都市間領域対応関係を、ソーシャルネットワークのチェックインデータを用いて確立する。
• 領域表現学習に特化した隠れ層を備えた深層時空間的ニューラルネットワークを設計する。
• 提案されたネットワークアーキテクチャを用いて、豊富な歴史的データに基づいてソース都市モデルを学習する。
• リンクされた領域ペアの隠れ表現間の乖離を最小化する、領域ベースの都市間転送学習アルゴリズムを策定する。
• 都市間領域ペア間の表現整合性を用いて、ソースモデルを微調整することでターゲット都市モデルを最適化する。
• ソース都市およびターゲット都市の両方における時空間的依存関係を活用し、一般化性能および予測のロバスト性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 データ豊富な都市からの知識が、データが乏しいターゲット都市における集団の流れ予測を効果的に改善できるか。
• RQ2 ソーシャルメディアのチェックインデータを用いて、意味のある都市間領域対応関係をどのように特定できるか。
• RQ3 リンクされた領域間の隠れ表現乖離を最小化することで、予測精度がどの程度向上するか。
• RQ4 提案されたRegionTransフレームワークは、既存の深層学習および転送学習手法と比較して、どのように差をつけるか。
• RQ5 時空間的表現整合性は、都市間でのモデル一般化にどのような影響を及けるか。

主な発見

• RegionTransは、実世界の集団の流れデータにおいて、最先端の手法と比較して予測誤差を最大10.7%まで低減する。
• 本フレームワークは、データ豊富なソース都市からの知識を活用することで、データが乏しいターゲット都市において顕著な性能向上を達成する。
• チェックインデータを用いた領域ベースの整合性により、類似した集団の流れダイナミクスを捉えることで、都市間転送学習の性能が向上する。
• 隠れ表現の最小化戦略は、リンクされた領域間での空間的・時間的パターンの効果的な転送を実現する。
• 提案されたモデルは、ターゲット都市に限られた歴史的データしかない状況でも、多様な都市環境にうまく一般化する。
• 特化した領域表現学習を備えた深層時空間アーキテクチャは、モデルの表現力および転送可能性を高める。