[論文レビュー] Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing Demand Prediction

Weiguo Pian, Yingbo Wu+3 more|arXiv (Cornell University)|Jun 7, 2020

Traffic Prediction and Management Techniques参考文献 42被引用数 14

ひとこと要約

本論文は、時間別通勤パターンに基づいて動的にグラフ構造を更新し、グラフアテンションを用いて空間相関を自己適応的に学習する空間時系列動的グラフ注意ネットワーク（STDGAT）を提案する。この手法は、実世界のDidi Chuxingデータセット上で、既存のベースラインと比較してRMSEを17.1%、MAPEを18.6%低減し、最先端の性能を達成した。

ABSTRACT

Ride-hailing demand prediction is an essential task in spatial-temporal data mining. Accurate Ride-hailing demand prediction can help to pre-allocate resources, improve vehicle utilization and user experiences. Graph Convolutional Networks (GCN) is commonly used to model the complicated irregular non-Euclidean spatial correlations. However, existing GCN-based ride-hailing demand prediction methods only assign the same importance to different neighbor regions, and maintain a fixed graph structure with static spatial relationships throughout the timeline when extracting the irregular non-Euclidean spatial correlations. In this paper, we propose the Spatial-Temporal Dynamic Graph Attention Network (STDGAT), a novel ride-hailing demand prediction method. Based on the attention mechanism of GAT, STDGAT extracts different pair-wise correlations to achieve the adaptive importance allocation for different neighbor regions. Moreover, in STDGAT, we design a novel time-specific commuting-based graph attention mode to construct a dynamic graph structure for capturing the dynamic time-specific spatial relationships throughout the timeline. Extensive experiments are conducted on a real-world ride-hailing demand dataset, and the experimental results demonstrate the significant improvement of our method on three evaluation metrics RMSE, MAPE and MAE over state-of-the-art baselines.

研究の動機と目的

• 既存のGCNベースの配車需要予測モデルにおける固定グラフ構造と均一な近隣重み割り当ての制限を解消すること。
• 非ユークリッド的空間相関を自己適応アテンション機構でモデル化すること。
• 静的地理的近接性ではなく、実際の通勤フローに基づいて動的グラフを構築することで、時間変動する空間的関係を捉えること。
• 空間的および時間的依存関係を統合的にモデル化し、需要予測性能を向上させること。
• 従来の地理的近傍に基づく手法と比較して、時間別通勤に基づくグラフ構築の優位性を検証すること。

提案手法

• 隣接領域間の重要度をアテンションベースで自己適応的に割り当てるため、グラフアテンションネットワーク（GAT）を採用し、非ユークリッド的空間相関を捉える。
• 時間別通勤に基づくグラフアテンションモードを導入し、固定された地理的接続ではなく、実際の通勤フローのデータを用いて各時間間隔ごとに動的グラフ構造を構築する。
• 時間的依存関係を、空間集約特徴の時系列にLSTMネットワークを用いてモデル化する。
• 空間的および時間的モジュールを統合したアーキテクチャを採用：空間的特徴は動的エッジ構築付きのGATで抽出され、その後LSTMに供給され、時間的モデリングが行われる。
• 統合された空間時系列特徴学習の後、予測層を適用して最終的な需要予測を出力する。
• 各時間間隔ごとに、その時点で実際の通勤フローがある地域間のみに有向エッジを含むことで、動的グラフを構築する。

実験結果

リサーチクエスチョン

• RQ1 自己適応アテンション機構により、隣接領域の重要度を異なる割り当てることで、配車需要予測の性能向上が達成できるか？

主な発見

• STDGATはRMSEが7.8811を達成し、空間モジュール＋予測層のベースライン（9.6273）より17.1%低く、時間モジュール＋予測層（9.3151）より15.5%低い。
• MAPEは空間単独モデルの0.2143から0.1744に低下し、MAEは5.2131から4.0881に低下し、全指標で一貫した改善が確認された。
• 固定グラフバージョン（STDGAT-fixed）のRMSE 8.2334、MAPE 0.1788、MAE 4.1917と比較して、STDGATが優れた性能を示し、時間別通勤に基づくグラフ構築の有効性が裏付けられた。
• 最適な性能は入力系列長が5時間のときを得られ、それ以上に長くなるとトレーニングの複雑性が増加し、性能が低下した。
• グラフアテンション層を5層まで増やすことで性能が向上し、深さが増すことで受容場域が拡大し、広範な空間的相関を捉えることができた。
• アブレーションスタディの結果、空間的および時間的依存関係を統合的にモデル化する方が、別々にモデル化するよりも優れた結果を得られた。