[論文レビュー] Empowering A* Search Algorithms with Neural Networks for Personalized Route Recommendation

Jingyuan Wang, Ning Wu+3 more|arXiv (Cornell University)|Jul 19, 2019

Data Management and Algorithms参考文献 34被引用数 5

ひとこと要約

本稿では、ユーザー固有の移動状態を注釈付きRNNでモデル化し、グラフ自己注意ネットワークに基づく価値ネットワークでヒューリスティックコストを推定する神経A*探索フレームワークNASRを提案する。トラジェクトリーデータと道路網から動的コスト関数を学習することで、個人に合わせたルート推薦を著しく改善し、探索空間を縮小しながらも、3つの実世界データセットで高い精度を維持する。

ABSTRACT

Personalized Route Recommendation (PRR) aims to generate user-specific route suggestions in response to users' route queries. Early studies cast the PRR task as a pathfinding problem on graphs, and adopt adapted search algorithms by integrating heuristic strategies. Although these methods are effective to some extent, they require setting the cost functions with heuristics. In addition, it is difficult to utilize useful context information in the search procedure. To address these issues, we propose using neural networks to automatically learn the cost functions of a classic heuristic algorithm, namely A* algorithm, for the PRR task. Our model consists of two components. First, we employ attention-based Recurrent Neural Networks (RNN) to model the cost from the source to the candidate location by incorporating useful context information. Instead of learning a single cost value, the RNN component is able to learn a time-varying vectorized representation for the moving state of a user. Second, we propose to use a value network for estimating the cost from a candidate location to the destination. For capturing structural characteristics, the value network is built on top of improved graph attention networks by incorporating the moving state of a user and other context information. The two components are integrated in a principled way for deriving a more accurate cost of a candidate location. Extensive experiment results on three real-world datasets have shown the effectiveness and robustness of the proposed model.

研究の動機と目的

• ヒューリスティックに基づくA*探索の限界を解消する。手動で設計されたコスト関数は適応性と文脈認識能力に欠ける。
• 深層神経ネットワークを用いてA*探索におけるコスト関数を自動学習可能にし、ユーザー固有の好みと空間的・時間的文脈を捉える。
• ユーザーの移動状態と道路網の構造を統合した一貫性のあるコスト推定フレームワークを構築し、経路探索を改善する。
• 学習された文脈に依存するヒューリスティックを用いることで、A*の探索空間を縮小しながらも、ルート推薦の品質を維持または向上させる。
• 実世界のトラジェクトリーデータセットを用いて、提案された神経A*フレームワークの有効性と頑健性を示す。

提案手法

• モデルは注釈付きRNNを用いてユーザーの移動状態と履歴トラジェリーを符号化し、ユーザーの現在の移動文脈を時間的に変化する表現として学習する。
• 改良されたグラフ自己注意ネットワークに基づく価値ネットワークが、候補ノードから目的地までのヒューリスティックコストを推定する。この際、ユーザー状態と文脈が強化されたノード表現を組み込む。
• A*のコスト関数を f(n) = g(n) + h(n) として再定義し、g(n)はRNNで学習、h(n)は価値ネットワークで学習することで、動的で文脈に依存する探索を可能にする。
• 価値ネットワークは、候補ノード、現在ノード、目的地ノード間のノード表現の類似性に基づくスコアリング機構を用い、有望な経路を優先する。
• 推定コストの最適化を図るため、5段階の時系列差分学習法を用いてエンドツーエンドでモデルを訓練する。
• 両コンponentsを一貫性のある方法で統合し、A*が最適性の保証を維持したまま、最も関連性の高い経路のみを探索可能にする。

実験結果

リサーチクエスチョン

• RQ1 神経ネットワークは、A*探索における個人に合わせた動的コスト関数を効果的に学習できるか？
• RQ2 注釈付きRNNは、経路計画における進化するユーザー移動状態と履歴的好みをどれほど正確にモデル化できるか？
• RQ3 ユーザー状態統合付きのグラフ自己注意ネットワークは、複雑な道路網におけるヒューリスティック推定を改善できるか？
• RQ4 提案された神経A*フレームワークは、探索空間を縮小しながらも、推薦精度を維持または向上できるか？
• RQ5 異なる交通状況とユーザー行動パターンを示す実世界データセット間で、モデルの頑健性はどの程度か？

主な発見

• NASRモデルは、文脈に依存するコスト関数を学習することで、A*探索における探索空間を著しく縮小し、より高速で効率的なルート推薦を実現する。
• 5段階の時系列差分学習法は、他の訓練戦略を上回り、ステップサイズが5のときがルート推薦精度において最良の性能を示す。
• 可視化結果から、モデルは実際のユーザー経路の地点に対して、最短経路と比較して高い関連スコアを割り当てており、ユーザーの好みとより整合していることが示された。
• モデルは、構造的重要性を捉えたノード表現を学習し、重要な道路セグメントや頻繁に訪問される場所に高い重みを割り当てる。
• 価値ネットワークは、交通状況が良好な主要道路を効果的に特定し、距離が長くてもその経路の推定コストを低くする。
• 3つの実世界データセットを用いた広範な実験により、モデルの有効性と頑健性が、多様な都市環境とユーザー行動パターンにおいて確認された。