[論文レビュー] Predicting Citywide Crowd Flows Using Deep Spatio-Temporal Residual Networks

Junbo Zhang, Yu Zheng+4 more|arXiv (Cornell University)|Jan 10, 2017

Traffic Prediction and Management Techniques参考文献 25被引用数 31

ひとこと要約

本稿では、空間的依存性（近隣および遠隔）と時間的パターン（近接性、周期性、トレンド）、および天候やイベントなどの外部要因をモデル化することで、北京およびニューヨーク市の都市全体の混雑流入・流出を予測する、深層スパティオトロピカル残差ネットワークであるST-ResNetを提案する。モデルは残差学習を採用し、時間的特性を3本の並列ブランチで処理し、学習可能な統合メカニズムを備える。北京およびNYCのデータセットにおいて最先端の性能を達成し、9つのベースラインを上回る。

ABSTRACT

Forecasting the flow of crowds is of great importance to traffic management and public safety, and very challenging as it is affected by many complex factors, including spatial dependencies (nearby and distant), temporal dependencies (closeness, period, trend), and external conditions (e.g., weather and events). We propose a deep-learning-based approach, called ST-ResNet, to collectively forecast two types of crowd flows (i.e. inflow and outflow) in each and every region of a city. We design an end-to-end structure of ST-ResNet based on unique properties of spatio-temporal data. More specifically, we employ the residual neural network framework to model the temporal closeness, period, and trend properties of crowd traffic. For each property, we design a branch of residual convolutional units, each of which models the spatial properties of crowd traffic. ST-ResNet learns to dynamically aggregate the output of the three residual neural networks based on data, assigning different weights to different branches and regions. The aggregation is further combined with external factors, such as weather and day of the week, to predict the final traffic of crowds in each and every region. We have developed a real-time system based on Microsoft Azure Cloud, called UrbanFlow, providing the crowd flow monitoring and forecasting in Guiyang City of China. In addition, we present an extensive experimental evaluation using two types of crowd flows in Beijing and New York City (NYC), where ST-ResNet outperforms nine well-known baselines.

研究の動機と目的

• 都市全体の混雑流入・流出を予測する課題に取り組む。これは、複雑な空間的・時間的要因および外部要因に影響を受ける。
• 局所的および長距離の空間的依存性を捉えることができ、複数の時間的パターン（近接性、周期性、トレンド）を同時に処理できるエンドツーエンドの深層学習モデルを開発すること。
• 天候や曜日といった外部要因を予測フレームワークに統合し、精度を向上させること。
• 都市環境における混雑流入・流出の監視と予測を実時間で行うクラウドベースのシステムを構築すること。
• 北京およびニューヨークシティのような多様な都市環境において、既存のベースラインを上回る予測性能を発揮すること。

提案手法

• 本モデルは、混雑流入・流出データ内の複雑なスパティオトロピカル依存性を学習するため、残差畳み込みニューラルネットワークアーキテクチャを採用する。
• 時間的近接性、周期性、トレンドパターンを別々にモデル化する目的で、3本の並列された残差畳み込みブランチを設計する。
• 各ブランチは、畳み込み層を用いて局所的および遠隔的な空間的関係を捉える残差ユニットにより空間的特徴を処理する。
• 入力データに応じて、学習可能な重みを動的に割り当てる、パラメトリック行列に基づく統合メカニズムにより、3本の時間的ブランチの出力を統合する。
• 天候や曜日といった外部要因は、統合後の特徴量と連結され、最終予測の入力として用いられる。
• 本モデルは、履歴的な混雑流入・流出データを用いてエンドツーエンドで学習され、バックプロパゲーションにより損失を最小化する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、都市全体の混雑流入・流出において、局所的および長距離の空間的依存性を効果的に捉えることができるか？
• RQ2 統合アーキテクチャは、同時に近接性、周期性、トレンドの複数の時間的パターンをどれほど効果的にモデル化できるか？
• RQ3 天候やイベントといった外部要因を統合することで、予測精度がどの程度向上するか？
• RQ4 提案されたモデルは、都市構造や移動パターンが異なるさまざまな都市に一般化可能か？
• RQ5 提案されたST-ResNetは、9つの既存のベースラインと比較して、予測性能においてどの程度優れているか？

主な発見

• ST-ResNetは、北京およびニューヨーク市の両方のデータセットにおいて、9つの最先端のベースラインを著しく上回る性能を発揮した。
• 局所的および遠隔的な地域間の空間的依存性を、残差畳み込みユニットを用いて効果的にモデル化することで、優れた性能を達成した。
• 学習可能なパrameterに基づく動的統合メカニズムにより、近接性・周期性・トレンドの各コンポonentの寄与度を適応的に重み付けできる。
• 天候や曜日といった外部要因を統合することで予測精度が向上し、これらが混雑移動に顕著な影響を及ぼすことが示された。
• マイクロソフトアズア・クラウド上に構築されたリアルタイムのUrbanFlowシステムは、中国・貴陽市における混雑流入・流出の監視と予測に成功し、モデルの実装可能性を裏付けた。
• コードおよびデータセットは公開されており、都市コンピューティング分野における再現性およびさらなる研究を支援する。