[論文レビュー] Spatially-aware station based car-sharing demand prediction

Dominik J. Mühlematter, Nina Wiedemann+2 more|arXiv (Cornell University)|Mar 25, 2023

Transportation and Mobility Innovations参考文献 41被引用数 4

ひとこと要約

本研究では、空間的に留意された解釈可能な機械学習モデル——特に地理座標を入力特徴量とするランダムフォレストと地理的重み付き回帰（GWR）——を用いて、駅レベルの長期的平均月間カーシェアリング需要を予測する。R-squaredは0.87に達し、POI密度や社会的・人口統計的要因といった空間的特徴が需要に顕著に影響することが示された。MGWRは予測子効果の多スケール空間的非定常性を解明した。

ABSTRACT

In recent years, car-sharing services have emerged as viable alternatives to private individual mobility, promising more sustainable and resource-efficient, but still comfortable transportation. Research on short-term prediction and optimization methods has improved operations and fleet control of car-sharing services; however, long-term projections and spatial analysis are sparse in the literature. We propose to analyze the average monthly demand in a station-based car-sharing service with spatially-aware learning algorithms that offer high predictive performance as well as interpretability. Our study utilizes a rich set of socio-demographic, location-based (e.g., POIs), and car-sharing-specific features as input, extracted from a large proprietary car-sharing dataset and publicly available datasets. We first compare the performance of different modeling approaches and find that a global Random Forest with geo-coordinates as part of input features achieves the highest predictive performance with an R-squared score of 0.87 on test data. While a local linear model, Geographically Weighted Regression, performs almost on par in terms of out-of-sample prediction accuracy. We further leverage the models to identify spatial and socio-demographic drivers of car-sharing demand. An analysis of the Random Forest via SHAP values, as well as the coefficients of GWR and MGWR models, reveals that besides population density and the car-sharing supply, other spatial features such as surrounding POIs play a major role. In addition, MGWR yields exciting insights into the multiscale heterogeneous spatial distributions of factors influencing car-sharing behaviour. Together, our study offers insights for selecting effective and interpretable methods for diagnosing and planning the placement of car-sharing stations.

研究の動機と目的

• ステーションベースのカーシェアリングシステムにおける長期的で空間的に明示的な需要予測モデルの不足に応える。
• 空間的および社会的・人口統計的特徴を統合することで、新しいカーシェアリングステーションの計画における解釈可能性と予測精度を向上させる。
• GWRやMGWRのような局所回帰モデルを用いて、需要駆動要因の空間的非定常性を調査する。
• 長期的需要予測における性能と解釈可能性の観点から、グローバル非線形モデル（例：ランダムフォレスト）とローカル線形モデル（例：GWR）を比較する。
• 解釈可能な空間的明示的モデリングを通じて、持続可能な都市移動計画のための実行可能なインサイトを提供する。

提案手法

• 1,641のステーションと時間的経過にわたる月間需要をカバーするスイス国内のカーシェアリング提供者から得た大規模データセットを活用する。
• 多様な入力特徴を統合：社会的・人口統計的要因（例：人口密度、収入）、位置ベースのデータ（例：POI密度、公共交通アクセス）、カーシェアリング供給指標。
• 空間的パターンを非線形的に捉えるために、地理座標を入力特徴量とするランダムフォレストによるグローバルモデリングを実施。
• 予測子と需要の間の空間的に変化する関係をモデル化するため、地理的重み付き回帰（GWR）およびマルチスケールGWR（MGWR）を適用。
• ランダムフォレストモデルが学習した特徴量の重要性と非線形関係を解釈するため、SHAP値を用いる。
• テストセットを残してモデルを検証し、R-squaredおよびオフ・サンプル予測精度を指標として性能を報告。

実験結果

リサーチクエスチョン

• RQ1 グローバルモデルとローカルモデルのどちらが、長期的平均月間カーシェアリング需要予測において最高の予測精度を達成するか？
• RQ2 社会的・人口統計的要因および空間的特徴（例：POI密度、公共交通アクセス）は、異なる地域でどのようにカーシェアリング需要に影響を与えるか？
• RQ3 予測子効果がどの程度空間的に変動し、MGWRのようなローカルモデルが多スケール空間的非定常性を明らかにできるか？
• RQ4 SHAP値とGWR/MGWRの回帰係数は、主要な需要駆動要因とその空間的パターンを特定する上で、どのように比較されるか？
• RQ5 解釈可能なモデルは、新しいカーシェアリングステーションの展開に根拠に基づく意思決定を支援できるか？

主な発見

• 地理座標を入力特徴量とするグローバルなランダムフォレストモデルが、テストセットでR-squaredスコア0.87を達成し、最高の予測性能を示した。
• 地理的重み付き回帰（GWR）は、オフ・サンプル予測においてランダムフォレストとほぼ同等の性能を示し、強力な局所モデリング能力を証明した。
• SHAP値分析により、需要がスイス北西部で顕著に増加することが判明し、モデルが地域的な空間的パターンを捉えていることが示された。
• 人口密度や供給量に加え、周辺のPOIと公共交通アクセス性が、需要の主要な空間的駆動要因として浮き彫りになった。
• MGWRは多スケール空間的非定常性を解明し、地域全体にわたり、異なる予測子が異なる空間スケールで需要に影響していることを示した。
• グローバル非線形モデル（ランダムフォレスト）とローカル線形モデル（GWR/MGWR）は、それぞれ異なる強みを示しており、前者は正確性に優れ、後者は予測子効果の空間的解釈性に優れている。