[論文レビュー] Deep trip generation with graph neural networks for bike sharing system expansion

Yuebing Liang, Fangyi Ding+2 more|arXiv (Cornell University)|Mar 20, 2023

Urban Transport and Accessibility被引用数 4

ひとこと要約

本稿では、都市の建物環境データと局所的な空間グラフを用い、アテンション機構を組み合わせたグラフニューラルネットワーク（GNN）ベースのアプローチ、Spatial-MGAT を提案する。このモデルは、新設された自転車共有ステーションのステーション単位の利用発生予測に用いられ、新規ステーションで R²=0.783、既存ステーションで R²=0.848 を達成し、順序付き深層学習ベースラインを上回る性能を示し、長期的・構造的計画シナリオにおける優れた性能と解釈可能性を示している。

ABSTRACT

Bike sharing is emerging globally as an active, convenient, and sustainable mode of transportation. To plan successful bike-sharing systems (BSSs), many cities start from a small-scale pilot and gradually expand the system to cover more areas. For station-based BSSs, this means planning new stations based on existing ones over time, which requires prediction of the number of trips generated by these new stations across the whole system. Previous studies typically rely on relatively simple regression or machine learning models, which are limited in capturing complex spatial relationships. Despite the growing literature in deep learning methods for travel demand prediction, they are mostly developed for short-term prediction based on time series data, assuming no structural changes to the system. In this study, we focus on the trip generation problem for BSS expansion, and propose a graph neural network (GNN) approach to predicting the station-level demand based on multi-source urban built environment data. Specifically, it constructs multiple localized graphs centered on each target station and uses attention mechanisms to learn the correlation weights between stations. We further illustrate that the proposed approach can be regarded as a generalized spatial regression model, indicating the commonalities between spatial regression and GNNs. The model is evaluated based on realistic experiments using multi-year BSS data from New York City, and the results validate the superior performance of our approach compared to existing methods. We also demonstrate the interpretability of the model for uncovering the effects of built environment features and spatial interactions between stations, which can provide strategic guidance for BSS station location selection and capacity planning.

研究の動機と目的

• システム拡張に伴い、構造的変化とデータスパarsityのため、既存モデルが失敗する新規自転車共有ステーションの利用発生予測の課題に対処すること。
• 時間的系列に依存せずに、複雑な空間的依存関係とステーション間の相互作用を捉える空間回帰フレームワークの構築。
• 建築環境特徴と空間的相関の影響を明らかにすることで、需要パターンへの解釈可能性を向上させること。
• 長期的都市交通計画におけるステーション立地選定とキャパシティ計画の戦略的指針を提供すること。
• 複数年のNYCデータを用いて、実世界のBSS拡張シナリオにおけるモデルの有効性を実証すること。

提案手法

• 各ターゲットステーションを中心に複数の局所的グラフを構築し、スケーラブルな方法で空間的関係をモデル化する。
• アテンション機構を用いて、ステーション間の動的相関重みを学習し、非線形的な空間的相互作用を捉える。
• 各ステーションのノード特徴として、複数の都市の建築環境特徴（例：土地利用、人口、POI）を統合する。
• GNNを従来の空間回帰フレームワークにリンクさせるために、一般化された空間回帰モデルとして問題を定式化する。
• 履歴需要データと都市特徴を用いてモデルを学習し、損失関数をRMSEおよびR²指標で最適化する。
• 実世界の拡張シナリオを模擬するため、K=6か月およびT=6か月の簡素化された評価設定を用いる。

実験結果

リサーチクエスチョン

• RQ1 GNNベースのモデルは、システム拡張中の新規自転車共有ステーションの利用発生予測において、順序付き深層学習モデルを上回ることができるか？
• RQ2 時間的需要系列に依存せずに、モデルはステーション間の空間的依存関係と相互作用をどれほど正確に捉えることができるか？
• RQ3 モデルのアテンション重みは、建築環境特徴とステーション需要との間の解釈可能な関係をどれほど明確に示せるか？
• RQ4 特に既存ステーションから離れている場合、歴史的ネットワークに含まれない新規ステーションにおいて、モデルの性能はいかがなものか？
• RQ5 システム構造が変化し、データスパarsityが顕著な長期計画シナリオに、モデルは一般化可能か？

主な発見

• 提案されたSpatial-MGATモデルは、新規ステーション予測でR²=0.783、既存ステーションでR²=0.848を達成し、DDP-Exp（R²=0.325および0.621）とMOHER（R²=0.663および0.653）を著しく上回った。
• 特に既存ステーションから離れている新規ステーションにおいて、データスパarsityに強い堅牢性を示し、周辺に歴史的データがないため、順序付きモデルが失敗する状況でも優れた性能を発揮した。
• モデルのアテンション重みは、近隣ステーションやPOIクラスタからの影響といった意味のある空間的相関を明らかにし、計画者にとっての解釈可能性を向上させた。
• システム構造が変化しても、モデルの性能は維持された。一方、順序付きモデルは安定したネットワーク構成を仮定しているため、構造変化に弱い。
• このアプローチは解釈可能であり、人口密度やミックスユース開発といった需要を駆動する主要な建築環境特徴を特定することで、戦略的意思決定を支援できる。
• 本研究は、GNNを一般化された空間回帰モデルとして効果的に定式化できることを確認した。これにより、伝統的な空間統計と深層学習の橋渡しとなる。