[論文レビュー] SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data

Bang An, Xun Zhou+2 more|arXiv (Cornell University)|Sep 30, 2023

Traffic Prediction and Management TechniquesEngineering被引用数 3

ひとこと要約

SpatialRankは、空間自己相関を考慮したハイブリッドNDCG損失と適応的グラフ畳み込みネットワークを組み合わせることで、都市イベント予測における順位付け性能を直接最適化する深層学習モデルを提案する。空間的に注意を払った重要度サンプリングとサーヴェイエート損失最適化を活用することで、実世界の犯罪および交通事故データセットにおいて、最先端手法に比べ最大12.7%高いNDCGを達成する。

ABSTRACT

The problem of urban event ranking aims at predicting the top-k most risky locations of future events such as traffic accidents and crimes. This problem is of fundamental importance to public safety and urban administration especially when limited resources are available. The problem is, however, challenging due to complex and dynamic spatio-temporal correlations between locations, uneven distribution of urban events in space, and the difficulty to correctly rank nearby locations with similar features. Prior works on event forecasting mostly aim at accurately predicting the actual risk score or counts of events for all the locations. Rankings obtained as such usually have low quality due to prediction errors. Learning-to-rank methods directly optimize measures such as Normalized Discounted Cumulative Gain (NDCG), but cannot handle the spatiotemporal autocorrelation existing among locations. In this paper, we bridge the gap by proposing a novel spatial event ranking approach named SpatialRank. SpatialRank features adaptive graph convolution layers that dynamically learn the spatiotemporal dependencies across locations from data. In addition, the model optimizes through surrogates a hybrid NDCG loss with a spatial component to better rank neighboring spatial locations. We design an importance-sampling with a spatial filtering algorithm to effectively evaluate the loss during training. Comprehensive experiments on three real-world datasets demonstrate that SpatialRank can effectively identify the top riskiest locations of crimes and traffic accidents and outperform state-of-art methods in terms of NDCG by up to 12.7%.

研究の動機と目的

• 犯罪や交通事故などのイベントの高リスク都市地域の順位付けという課題に取り組むこと。従来の予測モデルでは、上位k件の順位付けが正確に保証されない。
• 空間自己相関を無視し、場所を独立事象として扱う標準的なラーニング・トゥ・ランク手法の限界を克服すること。
• 適応的グラフ畳み込み層を用いて動的時空間的依存関係をモデル化することで、順位付けの質を向上させること。
• グローバルおよびローカルのNDCG指標を組み合わせたハイブリッド損失を導入することで、トレーニングの効率性と順位付けの正確性を向上させること。
• 順位付け目的関数に非微分可能なNDCGのサーヴェイエートを効果的に評価できるように、空間フィルタリングを組み合わせた新規の重要度サンプリング戦略を開発すること。

提案手法

• SpatialRankは、入力特徴量と歴史的イベントパターンから、都市の場所間の動的時空間的関係を学習する適応的グラフ畳み込み層を採用する。
• 標準NDCG損失とローカルNDCG損失を組み合わせたハイブリッド損失関数を導入し、空間的にクラスタ化されたリスク領域における順位付けの質を向上させる。
• 非微分可能なNDCG指標を近似するサーヴェイエート関数を用いることで、バックプロパゲーションによるエンドツーエンド学習を可能にする。
• トレーニング中に順位付け目的関数に与える影響が大きい場所を優先するため、空間フィルタリングを組み合わせた新規の重要度サンプリング機構を設計する。
• 社会的環境的属性（例：天候、道路網）およびイベント件数を入力特徴量として統合し、時空間的表現を情報化する。
• 空間フィルタリングを用いて計算コストを削減しながら順位付けの忠実度を維持する、微分可能なNDCGのサーヴェイエートを用いたトレーニング最適化を行う。

実験結果

リサーチクエスチョン

• RQ1 都市イベントデータ上でNDCGを直接最適化する深層学習モデルは、従来の回帰ベースの予測モデルに比べ、上位k件の順位付け精度で優れているか？
• RQ2 隣接する場所間の空間自己相関を明示的にモデル化することで、都市イベント予測におけるローカルな順位付けの質を向上させられるか？
• RQ3 グローバルNDCGに加えてローカルNDCG損失成分を組み込むことで、グローバルNDCGのみに比べ、リスククラスタの特定能力がどの程度向上するか？
• RQ4 空間フィルタリングを用いた重要度サンプリングは、NDCGサーヴェイエートのトレーニング効率と収束性を向上させるのにどの程度有効か？
• RQ5 適応的グラフ畳み込み機構は、スパースな都市イベントデータにおける動的時空間的依存関係を効果的に捉えられるか？

主な発見

• SpatialRankは、実世界の3つのデータセットにおいて、最先端手法に比べ最大12.7%高いNDCGを達成し、優れた上位k件の順位付け性能を示した。
• 予測されたイベント場所と実際のイベント場所との間の空間相関が顕著に向上し、Cross-K関数による検証で、ベースラインに比べ真のイベント周辺に高い予測密度が得られた。
• グローバルおよびローカルNDCGを組み合わせたハイブリッド損失関数は、イベントが空間的に高濃度に集中する地域におけるリスククラスタの順位付けをより良くした。
• 空間フィルタリングを組み合わせた重要度サンプリング機構により、トレーニングコストを削減しながらも高い順位付けの正確性を維持でき、大規模都市環境におけるNDCG最適化を現実可能にした。
• SpatialRankは、犯罪および交通事故予測の両タスクで既存モデルを上回り、異なる都市環境やデータスパarsityレベルにおいて一貫した向上を示した。
• 空間的不均一性とデータスパarsityに対しても頑健であることが示されたが、特にスパースなデータセット（例：アイオワ州）では性能向上が小さいため、極端なスパarsity状況におけるさらなる改善の余地がある。