[論文レビュー] Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for Short-Term Forecasting of Transit Passenger Flow

Yuxin He, Lishuai Li+2 more|arXiv (Cornell University)|Jul 28, 2021

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本稿では、空間的依存関係、時間的ダイナミクス、および異種の駅間相関を捉えるために、マルチグラフ畳み込みネットワークとLSTMベースのseq2seqアーキテクチャを統合した深層学習モデル、MGC-RNNを提案する。深セン地下鉄のデータを用いた評価において、MGC-RNNはベンチマークモデルを上回り、マルチソースデータ統合を通じて複雑な時空間パターンをモデル化する能力と優れた精度を示した。

ABSTRACT

Short-term forecasting of passenger flow is critical for transit management and crowd regulation. Spatial dependencies, temporal dependencies, inter-station correlations driven by other latent factors, and exogenous factors bring challenges to the short-term forecasts of passenger flow of urban rail transit networks. An innovative deep learning approach, Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) is proposed to forecast passenger flow in urban rail transit systems to incorporate these complex factors. We propose to use multiple graphs to encode the spatial and other heterogenous inter-station correlations. The temporal dynamics of the inter-station correlations are also modeled via the proposed multi-graph convolutional-recurrent neural network structure. Inflow and outflow of all stations can be collectively predicted with multiple time steps ahead via a sequence to sequence(seq2seq) architecture. The proposed method is applied to the short-term forecasts of passenger flow in Shenzhen Metro, China. The experimental results show that MGC-RNN outperforms the benchmark algorithms in terms of forecasting accuracy. Besides, it is found that the inter-station driven by network distance, network structure, and recent flow patterns are significant factors for passenger flow forecasting. Moreover, the architecture of LSTM-encoder-decoder can capture the temporal dependencies well. In general, the proposed framework could provide multiple views of passenger flow dynamics for fine prediction and exhibit a possibility for multi-source heterogeneous data fusion in the spatiotemporal forecast tasks.

研究の動機と目的

• 都市鉄道輸送システムにおける短期的利用者数予測の課題に取り組むこと。この課題は、空間的依存関係、時間的ダイナミクス、および異種の駅間相関によって複雑化している。
• ネットワーク距離、構造的レイアウト、最近の流れのパターンといった外生要因を予測フレームワークに組み込むこと。
• 複数の時間ステップにわたり、すべての駅の流入・流出を同時に予測できる統合型の深層学習モデルを開発すること。
• 時空間的予測性能の向上を図るため、マルチソースの異種データ統合を可能にすること。

提案手法

• 本モデルは、ネットワーク距離、トポロジー構造、最近の流れのパターンに基づく異なる種類の駅間相関を表現する複数のグラフを用いる。
• マルチグラフ畳み込み層は、これらの異なるグラフ構造から空間特徴を集約し、異種の空間的依存関係を捉える。
• LSTMユニットを用いたエンコーダデコーダアーキテクチャは、時間ステップにわたる利用者数の時間的ダイナミクスをモデル化する。
• seq2seqフレームワークにより、複数の将来時間ステップにわたり、すべての駅の流入・流出を同時にエンドツーエンドで予測可能となる。
• モデルは、履歴利用者数シーケンスの予測誤差を最小化するため、シーケンス・ツー・シーケンス損失関数を用いてエンドツーエンドで訓練される。
• 駅の位置や流れの履歴といった外生要因は、埋め込み処理され、グラフ構築および特徴学習プロセスに統合される。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク距離、トポロジー構造、最近の流れのパターンといった複数の異種の空間的関係は、利用者数予測においてどのように効果的にモデル化できるか？
• RQ2 LSTMベースのエンコーダデコーダアーキテクチャは、利用者数シーケンスにおける長期的時間的依存関係をどの程度効果的に捉えることができるか？
• RQ3 複数のグラフの統合は、単一グラフまたは非グラフベースのモデルと比較して、予測精度をどのように向上させるか？
• RQ4 駅の近接性や歴史的流れといった外生要因は、駅間相関および予測性能にどのように影響を与えるか？
• RQ5 構造的相関（構造的ベース）と流れに基づく相関（流れベース）といった、異なる種類の空間的相関の相対的寄与度は、予測精度にどの程度影響を与えるか？

主な発見

• MGC-RNNは、実世界の深セン地下鉄データにおいて、GCN-LSTM、ST-ResNet、Transformerベースのモデルといったベンチマークモデルを上回る高い予測精度を達成した。
• ネットワーク距離、ネットワーク構造、最近の流れのパターンによって駆動される駅間相関が、将来の利用者数の予測に顕著な予測要因であることが示された。
• LSTMエンコーダデコーダアーキテクチャは、利用者数シーケンスにおける長期的時間的依存関係を効果的に捉えている。
• 複数のグラフを用いることで、単純な隣接関係を超えた多様な空間的関係をモデル化でき、性能の顕著な向上が達成された。
• 本フレームワークは、異なるグラフアテンションメカニズムを通じて、利用者数ダイナミクスのマルチビュー分析を可能にし、解釈可能性を提供する。
• 本モデルは、時空間的予測タスクにおけるマルチソース異種データ統合の強力な可能性を示している。