[論文レビュー] Smart City Development with Urban Transfer Learning

Leye Wang, Bin Guo+1 more|arXiv (Cornell University)|Aug 5, 2018

Human Mobility and Location-Based Analysis参考文献 19被引用数 4

ひとこと要約

本稿では、スマートシティのコールドスタート問題に対処するための都市間転移学習を提案する。データが乏しい都市が、データが豊富な都市やデータモダリティから知識を活用できるようにする。POI、チェックイン、移動行動データなど、都市間およびデータタイプ間で表現を転送することで、予測およびデプロイメントタスクの性能が向上し、実験ではCityTransferが、地域固有の手法を上回ることを示している。ホテル立地選定において顕著な優位性を示した。

ABSTRACT

Nowadays, the smart city development levels of different cities are still unbalanced. For a large number of cities which just started development, the governments will face a critical cold-start problem: 'how to develop a new smart city service with limited data?'. To address this problem, transfer learning can be leveraged to accelerate the smart city development, which we term the urban transfer learning paradigm. This article investigates the common process of urban transfer learning, aiming to provide city planners and relevant practitioners with guidelines on how to apply this novel learning paradigm. Our guidelines include common transfer strategies to take, general steps to follow, and case studies in public safety, transportation management, etc. We also summarize a few research opportunities and expect this article can attract more researchers to study urban transfer learning.

研究の動機と目的

• 新規都市がサービスの展開に必要な十分なデータを欠いているスマートシティ開発におけるコールドスタート問題に対処すること。
• 都市計画者が転移学習を効果的に適用できるようにガイドする、体系的な都市間転移学習フレームワークを提供すること。
• 実際の都市応用において、都市間およびモダリティ間の知識転送の実現可能性と有効性を示すこと。
• 都市間転移学習における主な課題と研究機会を特定すること。特に、転送可能性の評価とプライバシー保護型データ利用の観点から。

提案手法

• ドメイン整合、共有表現学習、ターゲットタスク学習の3段階からなる統一的都市間転移学習フレームワークを提案する。
• 特徴ベースの転移を用い、源都市（例：北京）のデータから、都市間で類似する地域ペアが類似した特徴にマッピングされる共有表現空間を学習する。
• モデルベースの転移を適用し、限られた現地データを用いて、事前学習済みモデルをターゲット都市（例：上海、西安）でファインチューニングする。
• POI、チェックイン、移動パターンなど、異なるデータモダリティからのマルチソース知識を統合された埋め込み空間に統合する。
• 敵対的訓練を活用して、源都市とターゲット都市間のドメインシフトを低減し、転送可能性を向上させる。
• 都市間およびモダリティ間の知識を統合した、企業施設設置に特化したアルゴリズム「CityTransfer」を設計する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして転移学習を体系的に応用し、スマートシティ開発におけるデータ不足を克服できるか？
• RQ2 都市間およびデータモダリティ間で知識を効果的に転送するには、どのような戦略が最も効果的か？
• RQ3 施設設置のような重要な応用分野で、負の転送を避けるために、源ドメインとターゲットドメイン間の転送可能性をどのように評価できるか？
• RQ4 プライバシー保護型都市データは、スケーラブルで倫理的な都市間転移学習を実現するために、果たす役割は何か？

主な発見

• 都市間転移学習に基づくホテル立地選定モデル「CityTransfer」は、地域固有の集団流れデータに依存する従来の経験的手法を上回った。
• 3つの主要な中国のホテルチェーン（ハンティング、7 Days、ホームイン）を対象とした実験では、CityTransferが選定した立地が、ベースライン手法よりも顕著に多くの顧客を引きつけた。
• 本フレームワークは、データが豊富な源都市（例：北京）から、データが乏しいターゲット都市（例：南京、西安）へ知識を効果的に転送し、デプロイメントの正確性を向上させた。
• 都市間およびモダリティ間の転送戦略は、都市の予測およびデプロイメントタスクにおいて非常に有効であることが判明した。
• 転送可能性の評価は、施設設置のような反復的でない応用分野において、負の転送を回避するための重要な要因であると特定された。
• 敵対的ニューラルネットワークは、都市間のドメインシフトを低減し、特徴の転送可能性を向上させる面で有望な結果を示した。