[論文レビュー] Graph-Based Deep Modeling and Real Time Forecasting of Sparse Spatio-Temporal Data

Bao Wang, Xiyang Luo+4 more|arXiv (Cornell University)|Apr 2, 2018

Traffic Prediction and Management Techniques参考文献 15被引用数 56

ひとこと要約

この論文は、疎な時空データのための二部構成フレームワークを提案する: (1) 多変量 Hawkes 過程を用いて疎な時空ウェ weighted グラフ (STWG) を推定し、(2) そのグラフ上に構築された graph-structured recurrent neural network (GSRNN) で予測を行い、犯罪データと交通データで実証する。

ABSTRACT

We present a generic framework for spatio-temporal (ST) data modeling, analysis, and forecasting, with a special focus on data that is sparse in both space and time. Our multi-scaled framework is a seamless coupling of two major components: a self-exciting point process that models the macroscale statistical behaviors of the ST data and a graph structured recurrent neural network (GSRNN) to discover the microscale patterns of the ST data on the inferred graph. This novel deep neural network (DNN) incorporates the real time interactions of the graph nodes to enable more accurate real time forecasting. The effectiveness of our method is demonstrated on both crime and traffic forecasting.

研究の動機と目的

• 空間・時間の両方で疎性を持つ ST データの正確な予測を動機付ける。
• マクロスケールの時空依存性を符号化する STWG を導入する。
• 推定されたグラフ上の microscale パターンを捉えるグラフ構造型 DNN (GSRNN) を開発する。
• 犯罪データと交通データセットでリアルタイム予測性能を実証する。

提案手法

• ノードが地理的領域（例: 郵便番号）に対応し、エッジが自己エキサイトと相互エキサイトを学習する STWG を、SP 疎データとして表現する。
• L1 正則化を用いたペナルティ付き対数尤度を最大化して STWG を推定し、split-Bregman ステップを伴う EM アルゴリズムで解く。
• 日周リーマの累積関数へのマッピングと局所超解像を適用して稀な時系列を拡張し、DNN の入力を作成する。
• エッジ LSTM がグラフエッジに沿って情報を伝搬し、ノード LSTM が集約して将来の件数を予測する、フィードフォワード様のアーキテクチャを形成するグラフ構造型 RNN (GSRNN) を展開する。
• Hawkes 重みに基づく重み付き平均プーリングを用いた双方向の SRNN 拡張が、予測を向上させる。]
• data augmentation を適用し、ノードごとに cascaded LSTM を用いて微視的予測精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 不規則な空間領域上で、疎な時空データをどのように効果的にモデリングできるか。
• RQ2 Hawkes-過程に基づくグラフ推論は、予測に適したマクロスケールの時空依存性を捉えられるか。
• RQ3 推定された STWG を活用するグラフ構造型 RNN は、犯罪・交通といった疎な ST データのリアルタイム予測を、従来のベースラインより改善するか。

主な発見

• STWG はマクロスケールの時空依存性を捉え、都市間の犯罪データの疎なグラフ表現を可能にする。
• エッジ LSTM と加重プーリングを備えた GSRNN は、LA および CHI データセットで単一ノードおよび結合学習ベースラインを上回る犯罪予測性能を示す。
• 日周累積変換によるデータ拡張は、疎な時系列に対する DNN の性能を著しく向上させる。
• GSRNN の双方向拡張と重み付きプーリングは、単方向 SRNN 変種と比較して予測精度を改善する。
• 交通予測実験では、BikeNYC および TaxiBJ データセットで ST-ResNet およびベースラインモデルと比較して GSRNN の RMSE が競合的である。