[論文レビュー] Individual Mobility Prediction: An Interpretable Activity-based Hidden Markov Approach

Baichuan Mo, Zhan Zhao+2 more|arXiv (Cornell University)|Jan 11, 2021

Human Mobility and Location-Based Analysis参考文献 25被引用数 11

ひとこと要約

本稿では、公共交通機関のICカードデータを用いて潜在的な行動パターンをモデル化することで、個人の次回の移動時間と場所を予測する解釈可能な入出力隠れマルコフモデル（IOHMM）を提案する。LSTMのようなブラックボックスモデルとは異なり、連続的な出発時刻と離散的な目的地を同時に予測するとともに、潜在的な行動行動を解明し、LSTMと同等の精度を達成しながら、交通分野における行動解釈性を向上させている。

ABSTRACT

Individual mobility is driven by demand for activities with diverse spatiotemporal patterns, but existing methods for mobility prediction often overlook the underlying activity patterns. To address this issue, this study develops an activity-based modeling framework for individual mobility prediction. Specifically, an input-output hidden Markov model (IOHMM) framework is proposed to simultaneously predict the (continuous) time and (discrete) location of an individual's next trip using transit smart card data. The prediction task can be transformed into predicting the hidden activity duration and end location. Based on a case study of Hong Kong's metro system, we show that the proposed model can achieve similar prediction performance as the state-of-the-art long short-term memory (LSTM) model. Unlike LSTM, the proposed IOHMM model can also be used to analyze hidden activity patterns, which provides meaningful behavioral interpretation for why an individual makes a certain trip. Therefore, the activity-based prediction framework offers a way to preserve the predictive power of advanced machine learning methods while enhancing our ability to generate insightful behavioral explanations, which is useful for enhancing situational awareness in user-centric transportation applications such as personalized traveler information.

研究の動機と目的

• 既存の移動予測モデルが時間のカテゴリカルな扱いに限られ、行動解釈性に欠けるという限界に対処すること。
• 直接的なシーケンス予測ではなく、潜在的な行動パターンによって駆動される個人移動をモデル化すること。
• 統一されたフレームワークを用いて、次回の移動の連続的時間と離散的場所を同時に予測すること。
• 隠れた活動時間と遷移パターンの抽出により、移動行動に関する解釈可能なインサイトを提供すること。
• 解釈性を保ちながら、最先端の深層学習モデル（例：LSTM）と比較してモデルの性能を検証すること。

提案手法

• 個人移動を隠れた活動の系列としてモデル化するため、入出力隠れマルコフモデル（IOHMM）を用いる。
• 出発時刻を連続的発生変数として扱い、任意の時間分割に依存しない連続的時間予測を可能にする。
• 文脈的共変量（例：曜日、天候など）を用いた線形モデルで活動期間をモデル化し、解釈性を確保する。
• 各取引が1つの移動に対応するICカード取引の系列から、隠れた活動状態を推定する。
• 活動間の遷移確率（例：自宅 → 仕事 → その他）を推定し、行動パターンを明らかにする。
• HMMの生成的メカニズムを活用して、活動期間と目的地を同時に推論し、予測タスクを活動ベースの推論に変換する。

実験結果

リサーチクエスチョン

• RQ1 行動ベースの隠れマルコフモデルは、シーケンスベースのモデルに比べ、個人の次回移動時間と場所の予測で優れた性能を示せるか？
• RQ2 予測精度を維持しつつ、個人移動行動の解釈可能な行動分析をどの程度実現できるか？
• RQ3 天候や曜日といった文脈要因は、モデル内の個人活動期間にどの程度の影響を及ぼすか？
• RQ4 公共交通機関システムにおける個人移動行動の背後にある潜在的な活動遷移パターンは何か？
• RQ5 LSTMなどの深層学習ベースラインと比較して、IOHMMフレームワークは予測性能と解釈性の面でどの程度優れているか？

主な発見

• IOHMMモデルは、次回移動時間と場所の予測において、最先端のLSTMモデルと同等の予測性能を達成している。
• マークフ・チェインや基本的なHMMといったベンチマークモデルに比べ、予測精度が顕著に優れている。
• 推定された活動期間パラメータから、雨天日にはすべての活動タイプにおいて活動期間が延長されていることが示され、移動遅延行動が確認された。
• 月曜日には仕事およびその他の活動の期間が長く、日曜日には仕事の活動期間が短くなり、自宅活動の期間が延長されている。
• 祝日には自宅活動の期間が延び、仕事およびその他の活動の期間が短くなる傾向があり、日常の行動パターンの変化が反映されている。
• 活動遷移行列から、「その他の活動」に続く最も確率の高い活動が「仕事」であることが明らかになり、仕事関連の用事の頻度の高さが示された。