[論文レビュー] Deep Multi-View Spatial-Temporal Network for Taxi Demand Prediction

Huaxiu Yao, Fei Wu+7 more|arXiv (Cornell University)|Feb 23, 2018

Traffic Prediction and Management Techniques参考文献 19被引用数 260

ひとこと要約

DMVST-Net は空間的・時間的・意味的関係を同時にモデル化してタクシー需要を予測し、大規模な広州データで最先端のベースラインを上回ります。

ABSTRACT

Taxi demand prediction is an important building block to enabling intelligent transportation systems in a smart city. An accurate prediction model can help the city pre-allocate resources to meet travel demand and to reduce empty taxis on streets which waste energy and worsen the traffic congestion. With the increasing popularity of taxi requesting services such as Uber and Didi Chuxing (in China), we are able to collect large-scale taxi demand data continuously. How to utilize such big data to improve the demand prediction is an interesting and critical real-world problem. Traditional demand prediction methods mostly rely on time series forecasting techniques, which fail to model the complex non-linear spatial and temporal relations. Recent advances in deep learning have shown superior performance on traditionally challenging tasks such as image classification by learning the complex features and correlations from large-scale data. This breakthrough has inspired researchers to explore deep learning techniques on traffic prediction problems. However, existing methods on traffic prediction have only considered spatial relation (e.g., using CNN) or temporal relation (e.g., using LSTM) independently. We propose a Deep Multi-View Spatial-Temporal Network (DMVST-Net) framework to model both spatial and temporal relations. Specifically, our proposed model consists of three views: temporal view (modeling correlations between future demand values with near time points via LSTM), spatial view (modeling local spatial correlation via local CNN), and semantic view (modeling correlations among regions sharing similar temporal patterns). Experiments on large-scale real taxi demand data demonstrate effectiveness of our approach over state-of-the-art methods.

研究の動機と目的

• 正確なタクシー需要予測を動機づけ、スマートシティでの資源配分を最適化し閑乗車を減らす。
• 需要予測のために空間・時間・意味的相関を統合する統一的なフレームワークを提案する。
• 局所的な空間モデリング、逐次的な時間動態、意味的地域類似性を活用して予測精度を向上させる。

提案手法

• Three-view DMVST-Net framework が、近隣領域の空間依存性を捉える局所 CNN、時系列モデリングのための LSTM、地域類似性を表現する意味グラフ埋め込みを組み合わせる。
• Local CNN は中心化された SxS の近傍画像上で動作し、領域間で共有パラメータを持つ局所的な空間パターンを捉える。
• Temporal view は LSTM を用いて連続的な需要を文脈特徴量を入力として結合してモデル化する。
• Semantic view は weekly の需要パターンに対して Dynamic Time Warping を用いて地域の類似性グラフを構築し、NODE を LINE で埋め込み、予測へ組み込む。
• Final prediction は LSTM 出力と意味埋め込みを全結合ネットワークで結合し、最終的にシグモイド出力を経て実際の需要値への非正規化を行う。
• Loss は MSE と重み付き二乗相対誤差（MAPE 成分）を組み合わせ、巨大値と相対精度のバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 統一された深層フレームワークは、タクシー需要予測のための局所的空間・時間・意味領域の相関を捉えられるか。
• RQ2 遠隔地域間の意味的類似性を組み込むことは、局所的空間・時間モデルを超える予測精度の向上につながるか。
• RQ3 バリエーション（時間のみ、空間を含む、意味を含む、局所 CNN を含む） は予測精度にどう影響するか。
• RQ4 曜日ごとのロバスト性特性と異なる LSTM シーケンス長に対する DMVST-Net の頑健性はどの程度か。

主な発見

• DMVST-Net は全体的に最良の性能を達成し、MAPE 0.1616 および RMSE 9.642 で、すべてのベースラインを上回る。
• ベースライン手法には HA、ARIMA、OLSR、Ridge、Lasso、MLP、XGBoost、ST-ResNet が含まれ、DMVST-Net は最高のベースラインと比較して MAPE を 12.17%、RMSE を 3.70% 向上させる。
• アブレーション研究は、時間的+意味的および時間的+局所空間のバリアントが時間的のみを超えて改善し、全体の多視点モデルが最良の結果を示す（MAPE 0.1616、RMSE 9.642）。
• 局所 CNN（LCNN）は単純な近傍集約アプローチを上回り、非線形な局所空間モデリングの価値を強調する。
• 意味的ビューによる地域埋め込みは追加の利得をもたらし、時間的ビューと組み合わせると MAPE をさらに低減する。
• DMVST-Net は曜日を通じて頑健な性能を示し、週末は予測が難しくなるが、週末と平日間の誤差増加は DMVST-Net が最小である。