[論文レビュー] Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation

Lingbo Liu, Yuying Zhu+4 more|arXiv (Cornell University)|Jul 2, 2021

Traffic Prediction and Management Techniques被引用数 8

ひとこと要約

本論文は、オンライン地下鉄の出発地・目的地（OD）予測のための新規な異種情報集約マシン（HIAM）を提案する。本手法は、二重情報トランスフォーマーを用いて、不完全なOD行列、未完了の注文ベクトル、DO行列を統合的にモデル化し、OD-DO因果関係を捉える。2つの大規模ベンチマークにおいて最先端の性能を達成し、圧縮された行列を用いた場合、DO乗客数のMAPEを14.04%、OD乗客数のMAPEを13.31%に低減した。

ABSTRACT

Metro origin-destination prediction is a crucial yet challenging time-series analysis task in intelligent transportation systems, which aims to accurately forecast two specific types of cross-station ridership, i.e., Origin-Destination (OD) one and Destination-Origin (DO) one. However, complete OD matrices of previous time intervals can not be obtained immediately in online metro systems, and conventional methods only used limited information to forecast the future OD and DO ridership separately. In this work, we proposed a novel neural network module termed Heterogeneous Information Aggregation Machine (HIAM), which fully exploits heterogeneous information of historical data (e.g., incomplete OD matrices, unfinished order vectors, and DO matrices) to jointly learn the evolutionary patterns of OD and DO ridership. Specifically, an OD modeling branch estimates the potential destinations of unfinished orders explicitly to complement the information of incomplete OD matrices, while a DO modeling branch takes DO matrices as input to capture the spatial-temporal distribution of DO ridership. Moreover, a Dual Information Transformer is introduced to propagate the mutual information among OD features and DO features for modeling the OD-DO causality and correlation. Based on the proposed HIAM, we develop a unified Seq2Seq network to forecast the future OD and DO ridership simultaneously. Extensive experiments conducted on two large-scale benchmarks demonstrate the effectiveness of our method for online metro origin-destination prediction. Our code is resealed at https://github.com/HCPLab-SYSU/HIAM.

研究の動機と目的

• リアルタイムで完全な歴史的OD行列が入手できないオンライン地下鉄の出発地・目的地予測の課題に対処すること。
• 不完全なOD行列と未完了の注文ベクトルを含む異種歴史的情報を活用し、ODとDO乗客数を統合的にモデル化すること。
• 相互特徴伝搬を用いて、ODとDO乗客数パターンの因果関係および相関関係を捉えること。
• 上位k番目の関連駅と残りの駅を統合したコンactな表現にスパースなOD/DO行列を圧縮することで、一般化性能を向上させ、予測精度を向上させること。
• 提案されたHIAMモジュールをコアモジュールとして用い、未来のODおよびDO乗客数を同時に予測する統合的Seq2Seqフレームワークを構築すること。

提案手法

• 異種情報集約マシン（HIAM）は、不完全なOD行列、未完了の注文ベクトル、DO行列の3つのデータストリームを統合し、ステーション間移動をモデル化する。
• ODモデリングブランチは、未完了注文の潜在的到着地を明示的に推定することで、不完全なOD行列の情報を強化する。
• DOモデリングブランチは、DO行列を処理し、出発乗客の空間的・時間的パターンを学習する。
• 二重情報トランスフォーマーは、ODおよびDO特徴間の相互情報を伝搬させ、それらの因果関係と相関関係をモデル化する。
• 行列圧縮を用いて、乗客数が少ない駅を1つの「残り」カテゴリに統合し、スパースデータに対する一般化性能を向上させる。
• 統合的Seq2Seqネットワークをエンドツーエンドで学習し、HIAMをコアモジュールとして用いて、未来のODおよびDO行列を同時に予測する。

実験結果

リサーチクエスチョン

• RQ1 不完全なOD行列とDO行列の統合的モデリングは、オンライン地下鉄の出発地・目的地予測精度を向上させることができるか？
• RQ2 完全なOD行列が入手できない状況下で、未完了の注文ベクトルを組み込むことで、ODパターンの学習がどのように向上するか？
• RQ3 OD-DO因果関係および相関関係を組み込むことで、予測性能はどの程度向上するか？
• RQ4 スパースなOD/DO行列を上位k番目と統合された残りの駅に圧縮することで、モデルの一般化性能と予測誤差は改善されるか？
• RQ5 オンライン地下鉄システムにおける未来のOD/DO乗客数を予測する際、最適な入力シーケンス長は何か？

主な発見

• 圧縮された行列を用いた場合、SHMODデータセットにおいてDO乗客数のMAPEが14.04%、OD乗客数のMAPEが13.31%にまで低下し、生のスパース行列を用いたモデルを顕著に上回った。
• 行列圧縮により、弱く関連する駅のMAPEが80%を超えていたのを約14%に低減させ、スパースネス対策としての有効性を示した。
• 圧縮されていない弱く関連する駅データを含めると、上位k番目の駅のMAPEは、圧縮時（14.04%）の48.33%から非圧縮時（14.04%）の49.17%に上昇し、性能が劣化した。
• 最適な入力シーケンス長は4つの時間インターバル（60分）であり、これより長いシーケンスは顕著な改善をもたらさず、多くの乗客がこの時間窓内に移動を完了している（上海：87.10%、杭州：96.54%）。
• 二重情報トランスフォーマーはOD-DO相関を効果的に捉えており、HIAMモジュールはSHMODおよびHZMODデータセットの両方で、あらゆる時間窓においてベースラインを上回った。
• 本手法は2つの大規模な地下鉄ベンチマークで最先端の性能を達成し、リアルタイムのオンライン予測に有効であることを検証した。