[論文レビュー] Deep Multi-View Spatiotemporal Virtual Graph Neural Network for Significant Citywide Ride-hailing Demand Prediction

Guangyin Jin, Zhexu Xi+3 more|arXiv (Cornell University)|Jul 30, 2020

Traffic Prediction and Management Techniques参考文献 26被引用数 15

ひとこと要約

本稿では、GPSデータのみを用いて顕著なライドシェア需要地域から解釈可能な仮想グラフを構築する、新しい深層マルチビュー時空間グラフニューラルネットワークであるDMVST-VGNNを提案する。本モデルは、短期的な動態を捉える1D-CNN、空間的依存関係を扱うマルチ-GAT、長期的な時系列モデリングに適したTransformerを統合し、SOTAベースラインと比較して、NYC UberではRMSEを最大7.14%、NYCタクシーでは4.71%低減するという最先端の性能を達成した。

ABSTRACT

Urban ride-hailing demand prediction is a crucial but challenging task for intelligent transportation system construction. Predictable ride-hailing demand can facilitate more reasonable vehicle scheduling and online car-hailing platform dispatch. Conventional deep learning methods with no external structured data can be accomplished via hybrid models of CNNs and RNNs by meshing plentiful pixel-level labeled data, but spatial data sparsity and limited learning capabilities on temporal long-term dependencies are still two striking bottlenecks. To address these limitations, we propose a new virtual graph modeling method to focus on significant demand regions and a novel Deep Multi-View Spatiotemporal Virtual Graph Neural Network (DMVST-VGNN) to strengthen learning capabilities of spatial dynamics and temporal long-term dependencies. Specifically, DMVST-VGNN integrates the structures of 1D Convolutional Neural Network, Multi Graph Attention Neural Network and Transformer layer, which correspond to short-term temporal dynamics view, spatial dynamics view and long-term temporal dynamics view respectively. In this paper, experiments are conducted on two large-scale New York City datasets in fine-grained prediction scenes. And the experimental results demonstrate effectiveness and superiority of DMVST-VGNN framework in significant citywide ride-hailing demand prediction.

研究の動機と目的

• 微細な都市部におけるライドシェア需要予測の際の空間的データのスパarsity問題と、限られた長期時系列モデリングの課題に対処すること。
• 画像ベースや従来のグラフベースのモデルの限界を克服し、外部の構造化データを一切使用せずに、顕著な需要地域から解釈可能な仮想グラフを構築すること。
• マルチビュー深層学習フレームワークを用いて、短期、中期、長期の時系列動態の学習を強化すること。
• 現実の都市環境におけるグローバル領域および高需要ホットスポット領域の両方の予測精度を向上させること。
• 2つの大規模なNYCライドシェアデータセットを用いて、提案フレームワークの有効性を実証すること。

提案手法

• 高いライドシェアパターン類似度を示す隣接領域を特定・集約することで仮想グラフを構築し、スパarsityが著しいまたは有意義でない領域は除外する。
• 空間的依存関係を仮想グラフ構造でモデル化するために、距離、相関、移動性の3種類の異なるグラフタイプを用いる。
• 1次元畳み込みニューラルネットワーク（1D-CNN）モジュールを統合し、順序的な需要パターンから短期的な時系列動態を捉える。
• マルチグラフ自己注意ネットワーク（GAT）を用いて仮想グラフ上での多様なタイプの空間的依存関係を抽出する。
• Transformerエンコーダーを適用し、延長された時系列にわたる長期的な時系列依存関係をモデル化する。
• 3つのコンponent（短期、空間、長期）を階層的かつエンドツーエンドで学習可能なDMVST-VGNNフレームワークに統合する。

実験結果

リサーチクエスチョン

• RQ1 GPSデータのみから仮想グラフを構築することで、微細かつスパースな都市需要シナリオにおける予測精度が向上するか？
• RQ2 マルチビューモデリング（短期、空間、長期）の統合は、複雑な時空間動態を捉えるのにどの程度有効か？
• RQ3 提案されたDMVST-VGNNフレームワークは、グローバル領域およびホットスポット領域の両方の需要予測において、既存のSOTAモデルを上回るか？
• RQ4 各個々のコンponent（例：GAT、Transformer、1D-CNN）が全体の性能に果たす寄与度は何か？
• RQ5 本モデルは、需要パターンが異なるさまざまな大規模なライドシェアデータセットに、効果的に一般化できるか？

主な発見

• NYC Uberデータセットでは、DMVST-VGNNが最良のベースラインモデルと比較してRMSEが7.14%低減し、MAEが7.61%低減した。
• NYCタクシーデータセットでは、DMVST-VGNNが最適なベースラインと比較してRMSEが4.71%低減し、MAPEが4.61%低減した。
• 上位10%のホットスポット需要地域において、DMVST-VGNNは最良のベースラインST-MGCNと比較して、NYC UberではMAPEが3.51%低く、NYCタクシーでは5.99%低かった。
• アブレーションスタディにより、空間的ビューで距離、相関、移動性グラフを併用することで、単一グラフバージョンよりも顕著に性能向上が確認された。
• 短期的（SD-GNN）または長期的（LD-GNN）時系列モジュールの削除により、顕著な性能低下が観察され、両コンponentの重要性が裏付けられた。
• 本モデルは、すべての評価指標において一貫して優れた性能を示し、現実のデータセットにおける頑健性と一般化能力を実証した。