[論文レビュー] Modeling Taxi Drivers' Behaviour for the Next Destination Prediction

Alberto Rossi, Gianni Barlacchi+2 more|arXiv (Cornell University)|Jul 21, 2018

Human Mobility and Location-Based Analysis参考文献 46被引用数 5

ひとこと要約

本稿では、Foursquareの位置ベースのソーシャルネットワーク（LBSN）データから得られる自己注意機構および位置埋め込みを備えた長短期記憶（LSTM）再帰的ニューラルネットワークを提案し、次回の目的地の正確なGPS座標を回帰問題として予測する。このアプローチにより、ECML/PKDD 2015コンペティション優勝者と比較して平均誤差距離が10.5%改善され、0.355 kmの誤差を達成した。モデルはドライバーの履歴と意味的場所特徴のみを用いている。

ABSTRACT

In this paper, we study how to model taxi drivers' behaviour and geographical information for an interesting and challenging task: the next destination prediction in a taxi journey. Predicting the next location is a well studied problem in human mobility, which finds several applications in real-world scenarios, from optimizing the efficiency of electronic dispatching systems to predicting and reducing the traffic jam. This task is normally modeled as a multiclass classification problem, where the goal is to select, among a set of already known locations, the next taxi destination. We present a Recurrent Neural Network (RNN) approach that models the taxi drivers' behaviour and encodes the semantics of visited locations by using geographical information from Location-Based Social Networks (LBSNs). In particular, RNNs are trained to predict the exact coordinates of the next destination, overcoming the problem of producing, in output, a limited set of locations, seen during the training phase. The proposed approach was tested on the ECML/PKDD Discovery Challenge 2015 dataset - based on the city of Porto -, obtaining better results with respect to the competition winner, whilst using less information, and on Manhattan and San Francisco datasets.

研究の動機と目的

• 最近の乗車および降車地点を用いてドライバーの行動パターンをモデル化することで、タクシー運転手の次回目的地予測を改善すること。
• 完全なGPSトレースに依存するのを減らし、ドライバー履歴と意味的場所特徴に焦点を当てる。
• 目的地予測を回帰タスクとして扱い、離散的な場所の集合から選ぶのではなく、正確な座標を出力することで予測精度を向上させること。
• Foursquare POIデータを含む位置ベースのソーシャルネットワーク（LBSN）からの地理的意味をモデルに統合し、より洗練された空間表現を実現すること。
• 乗車開始時に即座に予測を実行できるようにし、効率的なファミリーのディスpatchングおよび都市モビリティ計画を支援すること。

提案手法

• モデルは、過去の乗車および降車地点の系列をドライバーの行動履歴としてエンコードするため、長短期記憶（LSTM）ネットワークを用いる。
• 各場所は学習済みの埋め込み層を用いて埋め込み表現される。入力特徴には、ワンホットエンコーディングされたゾーン識別子（BOC）と、Foursquare POIカテゴリから導出されたWord2Vecスタイルの埋め込み（W2V）が含まれる。
• LSTMの隠れ状態に自己注意機構を適用し、次回の目的地を予測する際に、過去の異なる場所の重要性を重みづけする。
• 出力層は回帰を実行し、次回の降車地点の正確な緯度および経度を予測する。事前に定義された場所の集合から選ぶのではなく、座標を直接出力する。
• 予測座標の平均二乗誤差（MSE）損失を用いて、エンドツーエンドでモデルを学習する。
• Foursquare POIデータ（カテゴリタイプおよび空間的近接性を含む）を用いて、都市ゾーンの意味的表現を強化し、埋め込みの質を向上させる。

実験結果

リサーチクエスチョン

• RQ1 ドライバーの最近の乗車および降車履歴のみを用いて行動パターンをモデル化することで、次回目的地予測の精度が向上するか？
• RQ2 目的地予測を回帰問題（正確な座標を予測）として扱うことで、従来の多クラス分類アプローチを上回るか？
• RQ3 Foursquareのような位置ベースのソーシャルネットワーク（LBSN）からの意味的特徴が、予測性能にどの程度寄与するか？
• RQ4 ポルト、マンハッタン、サンフランシスコといった多様な都市環境において、モデルの性能はどの程度か？
• RQ5 モデルは乗車開始時に即座に予測を実行でき、ディスパッチ効率を向上させることができるか？

主な発見

• LSTM（BOC+W2V）モデルは、ポルトデータセットにおいてECML/PKDD 2015コンペティション優勝者と比較して、平均誤差距離が10.5%相対的に改善され、0.355 kmの誤差を達成した。
• マンハッタンデータセットでは、MMLPベースラインと比較して誤差距離が18%削減され、汎化性能の優位性が示された。
• サンフランシスコでは、GPSポイントが密集しているため、MMLPベースラインが初期および終盤のトレースポイントに依存するため優れた性能を示したが、LSTM（BOC+W2V）はMMLP-SEQを17%上回った。
• マンハッタンでは、座標の精度が不均一な空間分布の影響を受けるため、回帰ベースのアプローチが多クラス分類を著しく上回った。
• Foursquare POIデータとゾーン埋め込み（W2V）の統合により、ベースラインLSTMモデルと比較して予測精度が向上し、意味的な空間特徴の価値が裏付けられた。
• モデルはドライバーの最近の履歴のみを用いて即座に予測を実行でき、リアルタイムのディスpatchングシステムに適している。