[論文レビュー] Predicting Station-Level Bike-Sharing Demands Using Graph Convolutional Neural Network

Lei Lin, Weizi Li+1 more|arXiv (Cornell University)|Apr 18, 2020

Urban Transport and Accessibility被引用数 9

ひとこと要約

本稿では、ニューヨークシティの駅レベルにおける時単位の自転車共有需要予測を目的として、データ駆動型グラフフィルタ（GCNN-DDGF）を備えた新規なグラフ畳み込みニューラルネットワークを提案する。事前に定義された隣接行列を必要とせず、駅間の隠れられた空間的相関を学習するとともに、LSTMを統合して時間的ダイナミクスを捉えることで、GCNN-rec-DDGFモデルは、事前定義されたグラフを用いたGCNNや従来のモデルをすべて上回る最先端の性能を達成した。

ABSTRACT

This study proposes a novel Graph Convolutional Neural Network with Data-driven Graph Filter (GCNN-DDGF) model that can learn hidden heterogeneous pairwise correlations among stations to predict station-level hourly demand in a large-scale bike-sharing network. Two architectures of the GCNN-DDGF model are explored: GCNNreg-DDGF is a regular GCNN-DDGF model which contains the convolution and feedforward blocks; GCNNrec-DDGF additionally contains a recurrent block from the Long Short-term Memory neural network to capture temporal dependencies in bike-sharing demand series. Furthermore, four GCNN models are proposed whose adjacency matrices are based on various bike-sharing system data, including Spatial Distance matrix (SD), Demand matrix (DE), Average Trip Duration matrix (ATD), and Demand Correlation matrix (DC). These six GCNN models along with seven other benchmark models are built and compared using the Citi Bike dataset from New York City, which includes 272 stations and over 28 million transactions from 2013 to 2016. Results show that the GCNNrec-DDGF performs the best in terms of the Root Mean Square Error, the Mean Absolute Error, and the coefficient of determination (R2), followed by the GCNNreg-DDGF. They outperform the other models.

研究の動機と目的

• 固定式および非ドッキング式自転車共有システムにおける、変動する空間的・時間的需要に起因する不正確な需要予測の課題に対処すること。
• 事前に定義された隣接行列に依存する既存のGCNNモデルの限界を克服すること。これは、駅間の非一様な空間的相関を正しく捉えられていない可能性があるためである。
• 需要データから直接グラフ構造（隣接行列）を学習するデータ駆動型アプローチを構築し、予測精度を向上させること。
• 長短期記憶（LSTM）ネットワークをGCNNフレームワークに統合し、時系列の自転車需要データに時間的依存性をモデル化すること。
• 大規模な実世界データセットを用いて、複数のGCNNバリエーションおよびベンチマークモデルと比較し、提案モデルの性能優位性を検証すること。

提案手法

• 学習可能なパラメータとして隣接行列を学習するデータ駆動型グラフフィルタ（DDGF）を提案し、固定された事前定義された行列の代わりに使用する。
• 正規化されたグラフフィルタを $\hat{A} = \tilde{D}^{-1/2} \tilde{A} \tilde{D}^{-1/2}$ として定義し、$\tilde{A}$ を学習可能な対称行列とする。これにより、空間的相関のエンドツーエンド学習が可能になる。
• 2つのアーキテクチャを設計した：畳み込みおよびフィードフォワードブロックを備えた $\text{GCNN}_{\text{reg}}\text{-DDGF}$ と、時間的ダイナミクスをモデル化するためのLSTMブロックを追加した $\text{GCNN}_{\text{rec}}\text{-DDGF}$。
• 直前の $C^0 - 1$ 時間の需要から構築された特徴行列 $X_i \in \mathbb{R}^{N \times C^0}$ を用い、次の時間の需要 $y_{i+1}$ を予測する。
• Min-Max正規化を適用してデータを 0 から 1 の範囲にスケーリングし、午前7時から午後9時までのテストデータに対してRMSE、MAE、および $R^2$ を用いてモデルを評価する。
• 6つのGCNNモデル（4つは事前に定義された隣接行列を用いる：SD、DE、ATD、DC）と7つのベンチマークモデル（例：XGBoost、LSTM、SVR）を訓練・比較する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型グラフフィルタは、事前に定義された隣接行列よりも、自転車共有駅間のより効果的な空間的相関を学習できるか？
• RQ2 GCNNフレームワークにLSTMブロックを統合することで、時系列需要系列の時間的依存性を捉えることができ、予測精度が向上するか？
• RQ3 提案されたGCNN-DDGFモデルは、XGBoost、LSTM、固定グラフ構造を有するGCNNなど、最先端のモデルと比較してどの程度優れているか？
• RQ4 ベースラインGCNNの中で、どの事前定義された隣接行列（SD、DE、ATD、DC）が最も優れた性能を示すか、その理由は何か？
• RQ5 グラフ構造の質が、自転車共有需要予測におけるGCNN性能に及ぼす影響はどの程度か？

主な発見

• $\text{GCNN}_{\text{rec}}\text{-DDGF}$ モデルは、RMSEが 2.12、RMSE（午前7時～午後9時）が 2.58、MAEが 1.26、$R^2$ が 0.75 という最高の性能を達成し、他のすべてのモデルを上回った。
• $\text{GCNN}_{\text{reg}}\text{-DDGF}$ モデルは2番目に高い性能を示し、DDGFによる空間的相関の学習が、固定された隣接行列よりも性能向上に寄与することを示した。
• GCNN-ATD（平均移動時間を隣接行列に使用）は、RMSEが 3.44、$R^2$ が 0.35 と最も悪く、ATDがグラフ構築に不適切であることが示された。
• XGBoostとLSTMはGCNN-DDGFモデルに次ぐ性能を示したが、いずれのモデルも駅間の空間的相関を捉えていなかったため、グラフベースのモデリングの重要性が浮き彫りになった。
• GCNNモデルの性能は、隣接行列の質に極めて敏感であることが明らかになった。GCNN-DC（最良）とGCNN-ATD（最悪）の間で顕著な性能差が観察された。
• データ駆動型グラフフィルタ（DDGF）は、グラフ構造の手動指定を必要とせず、駅間の非一様な空間的相関を効果的に学習できた。