[論文レビュー] Spatio-Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction

Peng Xie, Minbo Ma+5 more|arXiv (Cornell University)|Apr 6, 2022

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本稿では、固定された隣接行列に依存せずに、個々の地下鉄駅における独自の交通パターンを捉え、動的空間的依存関係を学習する、空間的・時系列的動的グラフ関係学習モデルであるSTDGRLを提案する。ノード固有の埋め込み、動的空間的関係学習、トランスフォーマーに基づく長期時系列モジュールを統合することで、4つの実世界の地下鉄データセットにおいて最先端の性能を達成し、11のベースラインを上回るマルチステップ流量予測性能を示した。

ABSTRACT

Urban metro flow prediction is of great value for metro operation scheduling, passenger flow management and personal travel planning. However, it faces two main challenges. First, different metro stations, e.g. transfer stations and non-transfer stations, have unique traffic patterns. Second, it is challenging to model complex spatio-temporal dynamic relation of metro stations. To address these challenges, we develop a spatio-temporal dynamic graph relational learning model (STDGRL) to predict urban metro station flow. First, we propose a spatio-temporal node embedding representation module to capture the traffic patterns of different stations. Second, we employ a dynamic graph relationship learning module to learn dynamic spatial relationships between metro stations without a predefined graph adjacency matrix. Finally, we provide a transformer-based long-term relationship prediction module for long-term metro flow prediction. Extensive experiments are conducted based on metro data in Beijing, Shanghai, Chongqing and Hangzhou. Experimental results show the advantages of our method beyond 11 baselines for urban metro flow prediction.

研究の動機と目的

• 異なる地下鉄駅（例えば、乗り換え駅と非乗り換え駅）における独自の交通パターンをモデル化する課題に取り組むこと。過去の研究では、これらがしばしば一様に扱われている。
• 時間とともに変化する動的空間的依存関係を、静的または事前定義されたグラフ構造に依存せずに学習すること。
• 短期予測を超える複雑な時系列関係を捉えることで、長期的な地下鉄流量予測を正確に行えるようにすること。
• ノード固有のパターンと進化する空間時系列関係を統合的にモデル化することで、一般化性能と予測精度を向上させること。

提案手法

• 各地下鉄駅の特徴的な交通パターンを、履歴の流入・流出データに基づいて学習するための空間的・時系列的ノード埋め込み表現モジュールを導入した。
• 固定された隣接行列を使用せずに、時間とともに変化する駅間の空間的依存関係を自動で学習する動的グラフ関係学習（DSRL）モジュールを提案した。
• マルチステップ流量予測のための長距離時系列依存関係を捉えるために、トランスフォーマーに基づく長期時系列モデリングモジュールを採用した。
• ノード固有の埋め込み、動的空間的関係、時系列モデリングを統合し、エンドツーエンドで学習可能なフレームワークを構築することで、共同最適化を実現した。
• GCNに類似したメッセージパッシングとアテンションメカニズムを組み合わせ、動的近隣関係に基づいてノード表現を適応的に更新する仕組みを採用した。
• ノードに特化した位置学習（NAPL）という新規コンponentを導入し、駅固有の時系列的ダイナミクスを符号化することで、表現学習を強化した。

実験結果

リサーチクエスチョン

• RQ1 グローバルに共有されるパラメータを持たせずに、乗り換え駅や非乗り換え駅といった異なる種類の地下鉄駅における独自の交通パターンを効果的に捉えられるか？
• RQ2 時間の経過に伴い変化する動的空間的依存関係を、静的グラフ構造に依存せずに、どのようにモデル化できるか？
• RQ3 RNNやGRUベースの代替手法と比較して、トランスフォーマーに基づくモジュールは、長期的地下鉄流量予測精度をどの程度向上させられるか？
• RQ4 ノード埋め込み、動的グラフ学習、時系列モデリングという各コンponentが、全体の予測性能に果たす寄与度はどの程度か？

主な発見

• STDGRLは、北京、上海、重慶、杭州の4つの実世界地下鉄データセットにおいて、11の最先端ベースラインをすべて上回り、優れた一般化性能と予測精度を示した。
• SHMetroデータセットでは、STDGRL-GRU-Transformerが15分先のMAEを23.9464にまで低下させ、GCGRU(T-GCN)ベースラインの47.3206よりも顕著に優れていた。
• アブレーションスタディの結果、NAPLコンponentを削除すると最も大きな性能低下が確認され、駅固有の交通パターンをモデル化することが重要であることが示された。
• GRUとトランスフォーマーの両モジュールを備えた完全なSTDGRLモデルが最良の結果を達成しており、短期的および長期的時系列モデリングを組み合わせることが有効であることが確認された。
• 動的空間的関係学習モジュールは、静的グラフベースラインと比較して顕著に性能を向上させ、適応的グラフ構造の必要性を裏付けた。
• BJMetroデータセットでは、STDGRLが60分先のMAPEを0.8663にまで低下させ、GCGRU(T-GCN)ベースラインの4.6435と比較して、強力な長期予測能力を示した。