[論文レビュー] Dynamic Planning of Bicycle Stations in Dockless Public Bicycle-sharing System Using Gated Graph Neural Network

Jianguo Chen, Kenli Li+3 more|arXiv (Cornell University)|Jan 19, 2021

Urban Transport and Accessibility参考文献 33被引用数 4

ひとこと要約

本稿では、Gated Graph Neural Network (GGNN) を用いて最適なステーション配置を予測することで、ドッキングなしの公共自転車共有システム向けに動的ステーション配置計画（BSDP）システムを提案する。ドロップオフ場所をクラスタリングし、時間経過に伴う重み付き有向グラフとしてモデル化し、グラフシーケンスデータで学習することで、高い予測精度（AUC 0.91）を達成し、動的で収益最適化型かつ都市管理要件を満たすステーション計画を可能にする。

ABSTRACT

Benefiting from convenient cycling and flexible parking locations, the Dockless Public Bicycle-sharing (DL-PBS) network becomes increasingly popular in many countries. However, redundant and low-utility stations waste public urban space and maintenance costs of DL-PBS vendors. In this paper, we propose a Bicycle Station Dynamic Planning (BSDP) system to dynamically provide the optimal bicycle station layout for the DL-PBS network. The BSDP system contains four modules: bicycle drop-off location clustering, bicycle-station graph modeling, bicycle-station location prediction, and bicycle-station layout recommendation. In the bicycle drop-off location clustering module, candidate bicycle stations are clustered from each spatio-temporal subset of the large-scale cycling trajectory records. In the bicycle-station graph modeling module, a weighted digraph model is built based on the clustering results and inferior stations with low station revenue and utility are filtered. Then, graph models across time periods are combined to create a graph sequence model. In the bicycle-station location prediction module, the GGNN model is used to train the graph sequence data and dynamically predict bicycle stations in the next period. In the bicycle-station layout recommendation module, the predicted bicycle stations are fine-tuned according to the government urban management plan, which ensures that the recommended station layout is conducive to city management, vendor revenue, and user convenience. Experiments on actual DL-PBS networks verify the effectiveness, accuracy and feasibility of the proposed BSDP system.

研究の動機と目的

• ドッキングなしの公共自転車共有（DL-PBS）システムにおける非効率的で重複的かつ不適切なステーション配置の問題に対処すること。
• 従来の静的で経験依存のステーション計画の限界を、リアルタイムで大規模な軌道データを活用することで克服すること。
• 都市の需要パターンの変化に適応できる動的でデータ駆動型のシステムを構築し、ベンダーの収益性と都市管理の目標の両方を支援すること。
• 将来的な自転車ステーションの配置と利用状況を正確に予測し、最適な展開およびディスパッチ戦略を導くこと。

提案手法

• スパティオトロピカルな軌道データから、大規模な自転車ドロップオフ場所を DADC アルゴリズムでクラスタリングし、候補ステーション立地を特定する。
• クラスタリング結果に基づき重み付き有向グラフモデルを構築し、低収益・低利便性ステーションを除外することで、モデルの関連性を向上させる。
• 時間的要因を考慮したグラフシーケンスモデルに、時間帯ごとのグラフモデルを統合し、ステーション利用パターンの時間的変化を捉える。
• グラフシーケンスデータを GGNN で学習させ、時間的依存性を学習し、将来のステーション配置と需要を予測する。
• 政府の都市管理計画を反映させることで、予測されたステーション配置を最適化し、実現可能性、法的整合性、都市計画への整合性を確保する。
• 最終的な推奨配置を、自転車のディスパッチ、軌道追跡、故障検知などの後続応用に活用する。

実験結果

リサーチクエスチョン

• RQ1 大規模かつ空間的・時間的自転車軌道データを、実際に活用可能な候補ステーション立地に効果的に変換する方法は何か？
• RQ2 ドッキングなしのシステムにおける自転車ステーション利用の動的変化を最も的確に捉えるグラフベースのモデリング手法は何か？
• RQ3 Gated Graph Neural Network (GGNN) は、他のモデル（例：GCN、GNN、LSTM）に比べて、将来の自転車ステーション配置予測においてどの程度優れているか？
• RQ4 予測されたステーション配置を、都市管理政策に適合させるにはどうすればよいか？同時に、サービス品質とベンダー収益を最大化できるか？

主な発見

• DADC クラスタリング法は DPC や DBSCAN を上回り、平均 AUC 0.82 を達成。データ量が増えるにつれて性能が著しく向上した。
• GGNN モデルは、比較対象の全モデルの中で予測精度が最も高く、100回の学習イテレーション後、平均 AUC 0.91 を達成。GNN（0.83）、GCN（0.80）、LSTM（0.71）を上回った。
• GGNN は最も速い収束と最小の誤差を示し、100イテレーション後に平均 RMSE 0.13 の最小値を達成。GNN（0.26）、GCN（0.29）、LSTM（0.33）を著しく下回った。
• BSDP システムは、実現可能で収益最適化型かつ都市基準を満たすステーション配置を効果的に生成し、実用的妥当性と統合可能性を示した。
• 本システムが実世界の DL-PBS データセットを処理できる能力は、異なる都市行政領域におけるスケーラビリティと頑健性を裏付けている。
• 推奨フェーズに政府の都市計画制約を統合することで、提案された配置が運用可能かつ政策に準拠していることが保証された。