[論文レビュー] Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network

Jintao Ke, Xiaoran Qin+4 more|arXiv (Cornell University)|Oct 17, 2019

Transportation and Mobility Innovations参考文献 43被引用数 208

ひとこと要約

本稿では、空間的・時間的エンコーダ・デコーダフレームワークとリーマン多様体畳み込みネットワークを組み合わせた深層学習モデル、ST-ED-RMGCを提案する。地理的、機能的、需要相関関係を捉える複数のODグラフを構築し、LSTMを用いた時間的モデリングと組み合わせることで、マンハッタンのデータにおいて従来手法に比べ22%のMAPE低減を達成し、最先端の性能を実現した。

ABSTRACT

With the rapid development of mobile-internet technologies, on-demand ride-sourcing services have become increasingly popular and largely reshaped the way people travel. Demand prediction is one of the most fundamental components in supply-demand management systems of ride-sourcing platforms. With accurate short-term prediction for origin-destination (OD) demand, the platforms make precise and timely decisions on real-time matching, idle vehicle reallocations and ride-sharing vehicle routing, etc. Compared to zone-based demand prediction that has been examined by many previous studies, OD-based demand prediction is more challenging. This is mainly due to the complicated spatial and temporal dependencies among demand of different OD pairs. To overcome this challenge, we propose the Spatio-Temporal Encoder-Decoder Residual Multi-Graph Convolutional network (ST-ED-RMGC), a novel deep learning model for predicting ride-sourcing demand of various OD pairs. Firstly, the model constructs OD graphs, which utilize adjacent matrices to characterize the non-Euclidean pair-wise geographical and semantic correlations among different OD pairs. Secondly, based on the constructed graphs, a residual multi-graph convolutional (RMGC) network is designed to encode the contextual-aware spatial dependencies, and a long-short term memory (LSTM) network is used to encode the temporal dependencies, into a dense vector space. Finally, we reuse the RMGC networks to decode the compressed vector back to OD graphs and predict the future OD demand. Through extensive experiments on the for-hire-vehicles datasets in Manhattan, New York City, we show that our proposed deep learning framework outperforms the state-of-arts by a significant margin.

研究の動機と目的

• 空間的・時間的依存関係が複雑であるため、ゾーンベースの需要予測よりも困難である、出発地・目的地（OD）リフトサービス需要の予測という課題に対処する。
• 近接性、機能的類似性、距離、および歴史的需要パターンに基づく複数のグラフ構造を用いて、ODペア間の非ユークリッド空間的相関関係をモデル化する。
• ODペア間の空間的依存関係と各ODペア内の時間的ダイナミクスを同時に捉えるエンドツーエンドのエンコーダ・デコーダフレームワークを構築する。
• 車両の再配置、配車、共有ライド最適化のための短時間予測を可能にすることで、リフトサービスプラットフォームにおけるリアルタイム意思決定を向上させる。

提案手法

• 各ODペアをノードとし、隣接行列が地理的近接性、機能的類似性、距離、および歴史的需要相関関係をエンコードする複数のODグラフを構築する。
• 構築されたODグラフから文脈に配慮した空間的依存関係を抽出するため、リーマンマルチグラフ畳み込み（RMGC）ネットワークを設計する。
• 個々のODペアの時間的ダイナミクスをモデル化するため、長短期記憶（LSTM）ネットワークを統合する。
• エンコーダ・デコーダアーキテクチャを実装する：RMGCおよびLSTMネットワークが空間的および時間的特徴を密な潜在ベクトル空間にエンコードし、将来の需要予測のため同じRMGC層を用いて再びODグラフにデコードする。
• マンハッタンの実際の有料乗車車両データを用いて、RMSE、MAE、MAPEを最適化する形で、非ゼロ需要ODペアに焦点を当てて、エンドツーエンドモデルを学習する。
• 公平な比較のため、すべてのベースラインモデル（例：XGBoost、LSTM、GCN）のハイパーパrameterを微調整し、同じデータ分割と評価指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 地理的、機能的、需要ベースの複数の側面の空間的相関関係をモデル化することで、単一構造または非グラフベースの手法と比較して、OD需要予測の精度が向上するか？
• RQ2 共有RMGC層を有するエンコーダ・デコーダ構造は、独立したエンコーダーやデコーダーと比較して、特徴抽出および予測性能をどの程度向上させるか？
• RQ3 残差接続とマルチグラフ畳み込みの統合は、OD需要における複雑な非ユークリッド空間的依存関係のモデリングをどのように改善するか？
• RQ4 ST-ED-RMGCモデルは、都市移動における多様な時間的・空間的パターンにわたって、短時間OD需要予測において顕著に最先端の手法を上回るか？

主な発見

• ST-ED-RMGCモデルは、非ゼロODペアにおいてMAPEが0.38を達成し、2番目に良いベースライン（Spatial LSTM、MAPE = 0.42）に比べ22%の相対的改善を示した。
• グラフベースのモデル（MGC、RMGC、ST-ED-RMGC）は、XGBoost、MLP、LSTMなどの従来の機械学習および標準的な深層学習モデルを著しく上回り、空間的相関関係モデリングの重要性を示した。
• RMGCネットワーク内の残差ブロックは、標準的なMGCに比べてわずかだが一貫した向上をもたらし、勾配の流れの改善と特徴抽出の安定性向上を示した。
• エンコーダ・デコーダ構造は、RMGCベースライン（MAPE 0.40 vs. 0.38）に比べてさらなる性能向上を実現しており、空間的および時間的特徴の共同エンコーディングとデコーディングが予測一般化性能の向上に寄与していることを示した。
• 可視化分析により、モデルが、商業地域への朝の通勤や夕方の帰宅パターンといった複雑な人間の移動パターンを、空間的OD行列全体で低い相対誤差で的確に捉えていることが確認された。
• モデルは時間的変動、特に異なる日における複数ピークや不規則な需要パターンに対しても効果的に対応でき、過剰反応または過小反応を示すベースラインを上回った。