[論文レビュー] LibCity: A Unified Library Towards Efficient and Comprehensive Urban Spatial-Temporal Prediction

Jiawei Jiang, Chengkai Han+3 more|arXiv (Cornell University)|Apr 27, 2023

Human Mobility and Location-Based Analysis被引用数 4

ひとこと要約

LibCity は、都市の空間時系列予測のための統合的フレームワークを提供するオープンソースで PyTorch ベースのライブラリです。55 種類の標準化済みデータセットと 65 種類の事前実装済みモデルを提供し、9 つのサブタスクをカバーしています。公平なモデル比較を可能にし、モジュラー設計とアトミックファイル形式によるデータ構造によりモデル開発を簡素化し、スマートシティ応用分野における再現可能性のある研究のための包括的ベンチマークを確立しています。

ABSTRACT

As deep learning technology advances and more urban spatial-temporal data accumulates, an increasing number of deep learning models are being proposed to solve urban spatial-temporal prediction problems. However, there are limitations in the existing field, including open-source data being in various formats and difficult to use, few papers making their code and data openly available, and open-source models often using different frameworks and platforms, making comparisons challenging. A standardized framework is urgently needed to implement and evaluate these methods. To address these issues, we propose LibCity, an open-source library that offers researchers a credible experimental tool and a convenient development framework. In this library, we have reproduced 65 spatial-temporal prediction models and collected 55 spatial-temporal datasets, allowing researchers to conduct comprehensive experiments conveniently. By enabling fair model comparisons, designing a unified data storage format, and simplifying the process of developing new models, LibCity is poised to make significant contributions to the spatial-temporal prediction field.

研究の動機と目的

• データ形式の不一致、コード／データの可用性の制限、モデル実装の断片化により、都市空間時系列予測のための標準的で再現可能なフレームワークが不足しているという問題に対処する。
• 統合されたデータ保存形式、標準化された評価、一貫したハイパーパramータ設定を提供することで、公平で包括的なモデル比較を可能にする。
• 構成、データ、モデル、評価、実行のインターフェースを明確に定義したモジュラーで拡張可能なフレームワークを提供することで、新しいモデルの開発を簡素化する。
• 55 種類の広く使われているデータセットを収集し、マクロ、マイクロ、および基本的予測タスクの 3 つのレベルで 65 種類の最先端モデルを再現することで、空間時系列予測のためのベンチマークを確立する。
• 拡張性、自動ハイパーパramータチューニング、可視化ツールのサポートにより、都市 AI 研究における標準化とコミュニティの採用を促進する。

提案手法

• モジュール性、再利用性、およびコンポONENT間のシームレスな統合を保証するため、PyTorch 上に構築された 5 モジュールフレームワーク（構成、データ、モデル、評価、実行）を設計する。
• 「アトミックファイル」という一般化され拡張可能なデータ形式を導入し、地理的データ、ユーザーデータ、関係データ、空間時系列ダイナミクスデータ、外部データの 5 つのコアデータタイプを表現することで、多様なデータソース間での一貫したデータ処理を可能にする。
• アトミックファイルから派生する標準化されたバッチ入力フォーマットを実装することで、異なるタスク間でのデータロードとモデル学習を簡素化する。
• 開発者がモデル開発に必要なインターフェースは最小限に抑え、3 つのコアインターフェース（モデル定義、損失関数、フォワードパス）のみを実装すればよく、LibCity がトレーニング、評価、ハイパーパramータチューニングをすべて管理する。
• 自動ハイパーパramータチューニングと可視化プラットフォームを統合し、使いやすさと実験の透明性を向上させる。
• 55 種類のデータセットと 65 種類のモデルにおけるモデル性能のベンチマークを実施し、今後の研究を導くための公開リーダーボードを確立する。

実験結果

リサーチクエスチョン

• RQ1 統合的でモジュラーなフレームワークは、都市空間時系列予測研究における再現性と比較可能性をどのように向上させるか？
• RQ2 アトミックファイルのような標準化されたデータフォーマットは、多様な都市空間時系列データセットの取り扱いの複雑さをどの程度軽減できるか？
• RQ3 1 つのライブラリが、交通フローなどのマクロレベル予測タスクと、トラジェクトリ予測などのマイクロレベル予測タスクを、一貫したインターフェースで効果的にサポートできるか？
• RQ4 LibCity のモジュラー設計は、既存のライブラリと比較して、新しいモデルの開発と評価をどの程度容易にするか？
• RQ5 データ、モデル、評価の標準化が、都市 AI 研究のスケーラビリティとコミュニティの採用に与える影響は何か？

主な発見

• LibCity は、55 種類の多様な都市空間時系列データセットと 65 種類の事前実装済みモデルをサポートしており、交通フロー、速度、OD 行列、トラジェクトリ予測を含む 9 つのサブタスクをカバーしている。
• ライブラリのモジュラー設計により、新規モデル開発に必要なコード量が最小限に抑えられ、3 つのコアインターフェースのみを実装すればよく、実装のオーバーヘッドが顕著に削減される。
• LibCity のアトミックファイル形式により、異種データソース間で一貫したデータ表現と処理が保証され、データ準備の作業が大幅に軽減される。
• ライブラリは公開時点での GitHub スター数 485、フォーク数 111 を達成しており、コミュニティによる強い採用と活発なメンテナンスを示しており、合計 73 件の問題報告（うち 0 件がオープン）である。
• DL-Traff や DGCRN、FOST といった既存のツールと比較して、LibCity はモデルおよびデータセットのカバレッジ、モularity、拡張性の面で優れている。
• 包括的なベンチマークフレームワークにより、公平で再現可能なモデル評価が可能となり、公開リーダーボードを通じて有望な研究方向性が特定されている。