[論文レビュー] Potential Passenger Flow Prediction: A Novel Study for Urban Transportation Development

Yongshun Gong, Zhibin Li+3 more|arXiv (Cornell University)|Dec 7, 2019

Traffic Prediction and Management Techniques参考文献 22被引用数 4

ひとこと要約

本稿では、都市交通網における未建設の地下鉄駅への潜在的乗客流入（PPF）を予測するためのマルチビュー局所的相関学習モデル（MLC-PPF）を提案する。空間的近接性、地域的属性、マルチビューのデータを活用し、既存駅からの履歴データに基づいて未建設駅への乗客移動を予測する。本手法は実世界のデータセットで最先端の性能を達成し、レコメンドシステムにおけるコールドスタート問題を効果的に解決する。

ABSTRACT

Recently, practical applications for passenger flow prediction have brought many benefits to urban transportation development. With the development of urbanization, a real-world demand from transportation managers is to construct a new metro station in one city area that never planned before. Authorities are interested in the picture of the future volume of commuters before constructing a new station, and estimate how would it affect other areas. In this paper, this specific problem is termed as potential passenger flow (PPF) prediction, which is a novel and important study connected with urban computing and intelligent transportation systems. For example, an accurate PPF predictor can provide invaluable knowledge to designers, such as the advice of station scales and influences on other areas, etc. To address this problem, we propose a multi-view localized correlation learning method. The core idea of our strategy is to learn the passenger flow correlations between the target areas and their localized areas with adaptive-weight. To improve the prediction accuracy, other domain knowledge is involved via a multi-view learning process. We conduct intensive experiments to evaluate the effectiveness of our method with real-world official transportation datasets. The results demonstrate that our method can achieve excellent performance compared with other available baselines. Besides, our method can provide an effective solution to the cold-start problem in the recommender system as well, which proved by its outperformed experimental results.

研究の動機と目的

• 建設前の新規地下鉄駅計画における潜在的乗客流入（PPF）を予測するという、新たなチャレンジに取り組む。
• 既存の乗客流入モデルが既知の駅にのみ焦点を当てており、地域間の移動パターンを無視するという限界を克服する。
• 新規ユーザーまたは新規駅に履歴データがない状況と類似したコールドスタート問題に対して、ロバストな手法を構築する。
• 空間的・時間的・ドメイン固有の特徴（例：土地利用、人口）を統合し、時空間的乗客流入予測の精度を向上させる。
• 本手法が、交通計画分野にとどまらず、レコメンドシステムにおけるコールドスタート問題への応用可能性を示し、強力な汎化能力を有することを実証する。

提案手法

• 地理的近接性および地域的特性（例：住宅地、商業地）を用いてk近傍法に基づく類似度行列を構築し、局所的な空間的相関を定義する。
• 目的領域とそのk近傍との間の乗客流入関係を、重み付き相関学習戦略により適応的に学習する。
• 都市統計データ（例：人口、雇用、土地利用）から得られるマルチビューの補助情報を取り入れ、学習プロセスをガイドし、モデルの汎化能力を向上させる。
• 補助データ（ABSデータ）と学習された相関構造の影響をバランスさせるために正則化項（λ）を導入し、モデルのロバスト性を向上させる。
• 異なるドメイン（空間的、時間的、人口統計的）からの特徴を統合的に最適化するマルチビュー学習問題として予測タスクを定式化する。
• コールドスタートの転移実験において、集団行列分解の原則を活用し、交通分野を越えたモデルの適応可能性を検証する。

実験結果

リサーチクエスチョン

• RQ1 既存駅からの履歴流入データのみを用いて、未建設の地下鉄駅周辺への乗客流入を正確に予測できるか？
• RQ2 空間的・時間的相関を効果的にモデル化することで、都市鉄道網におけるPPF予測精度をどのように向上させられるか？
• RQ3 提案手法が交通計画およびレコメンドシステムにおけるコールドスタート問題をどの程度軽減できるか？
• RQ4 ハイパーパrameter（例：k、λ）の違いが予測性能およびモデル安定性に与える影響はどの程度か？
• RQ5 空間的相関学習から得た知識を転移することで、本モデルは他の分野（例：レコメンドシステム）へ汎用可能か？

主な発見

• MLC-PPFモデルは、実世界の地下鉄取引データにおいて、すべてのベースライン手法を上回る性能を達成し、MAEが最小値を記録した。
• コールドスタート推薦タスクにおけるアマゾンブックドメインでは、MAEが0.396を達成し、CMF（0.834）、CDTF（0.755）、WITF（0.740）を顕著に上回った。
• k=2が最良の性能を示し、kが1〜5の範囲で変動してもモデルの安定性が保たれていることから、強い安定性を示した。
• 正則化係数λ=10⁻¹が最適な結果をもたらし、[10⁻⁵, 10⁰]の範囲で安定した性能を示した。これは、パラメータに対する感受性が低いことを示している。
• 事例研究では、ホームブッシュからシドニー・ヘイマーケットやパラマッタ・ローズヒルといった主要なシドニーの目的地への流れを正確に予測できた。
• 本手法は、交通計画分野にとどまらず、レコメンドシステムにおけるコールドスタート問題への応用にも成功し、都市交通計画を越えた広範な適用可能性を実証した。