[論文レビュー] STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems

Jinlei Zhang, Hua Li+4 more|arXiv (Cornell University)|Feb 10, 2022

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本稿では、敵対的訓練を通じて空間的および時間的依存関係を統合的にモデル化することにより、都市鉄道における短期乗客流入予測を向上させる、新しいスパatiotemporalグラフ生成対抗ネットワークであるSTG-GANを提案する。モデルは、軽量な生成器においてゲート付き時間畳み込みと重み共有グラフ畳み込みを用い、空間的および時間的判別器を併用することで、実世界の北京地下鉄データにおいて高い精度、効率性、低メモリ使用量を達成している。

ABSTRACT

Short-term passenger flow prediction is an important but challenging task for better managing urban rail transit (URT) systems. Some emerging deep learning models provide good insights to improve short-term prediction accuracy. However, there exist many complex spatiotemporal dependencies in URT systems. Most previous methods only consider the absolute error between ground truth and predictions as the optimization objective, which fails to account for spatial and temporal constraints on the predictions. Furthermore, a large number of existing prediction models introduce complex neural network layers to improve accuracy while ignoring their training efficiency and memory occupancy, decreasing the chances to be applied to the real world. To overcome these limitations, we propose a novel deep learning-based spatiotemporal graph generative adversarial network (STG-GAN) model with higher prediction accuracy, higher efficiency, and lower memory occupancy to predict short-term passenger flows of the URT network. Our model consists of two major parts, which are optimized in an adversarial learning manner: (1) a generator network including gated temporal conventional networks (TCN) and weight sharing graph convolution networks (GCN) to capture structural spatiotemporal dependencies and generate predictions with a relatively small computational burden; (2) a discriminator network including a spatial discriminator and a temporal discriminator to enhance the spatial and temporal constraints of the predictions. The STG-GAN is evaluated on two large-scale real-world datasets from Beijing Subway. A comparison with those of several state-of-the-art models illustrates its superiority and robustness. This study can provide critical experience in conducting short-term passenger flow predictions, especially from the perspective of real-world applications.

研究の動機と目的

• 都市鉄道乗客流入予測における複雑なスパティオトーラル依存関係を捉える課題に対処すること。
• 既存モデルが絶対誤差の最適化にのみ焦点を当て、空間的および時間的制約を無視するという限界を克服すること。
• ディープラーニングモデルにおける計算負荷とメモリ使用量を低減し、実世界への展開可能性を向上させること。
• 高い予測精度を維持しつつ、トレーニング効率を向上させる、軽量でありながら強力なアーキテクチャの開発

提案手法

• 時間的ダイナミクスと空間的トポロジーを効率的にモデル化するため、ゲート付き時間畳み込みネットワーク（TCN）と重み共有グラフ畳み込みネットワーク（GCN）を組み合わせた生成器ネットワークを提案する。
• 予測の構造的整合性を強制するために、空間的判別器と時間的判別器を備えた二重判別器アーキテクチャを導入する。
• 生成器と判別器を敵対的にトレーニングすることで、予測の現実性と制約遵守性を向上させる。
• 敵対的損失を活用し、生成器が正確であるだけでなく、空間的および時間的に妥当な予測を生成するように誘導する。
• 鉄道網のグラフベース表現を活用して、駅の接続関係と乗客流入パターンを符号化する。
• 敵対的損失、L1損失、時間的整合性損失を組み合わせたハイブリッド損失を最適化手法として用い、頑健な性能を実現する。

実験結果

リサーチクエスチョン

• RQ1 敵対的訓練は、都市鉄道システムにおける短期乗客流入予測の現実性と制約遵守性を向上させることができるか？
• RQ2 ゲート付きTCNと重み共有GCNの統合は、精度を損なわず、モデル化効率をどのように向上させるか？
• RQ3 二重判別器（空間的および時間的）は、単一判別器または非判別器ベースラインと比較して、予測品質をどの程度向上させるか？
• RQ4 実世界データにおいて、STG-GANは最先端モデルと比較して、精度、推論速度、メモリ消費量の観点でどの程度の性能を示すか？
• RQ5 提案されたモデルは、都市鉄道システムにおける異なる時間スケールおよびネットワークトポロジーに、どのように頑健に一般化可能か？

主な発見

• STG-GANは、2つの大規模な北京地下鉄データセットにおいて、複数の最先端モデルと比較して優れた予測精度を達成している。
• GCNにおける重み共有と軽量なTCN部品のおかげで、メモリ使用量が著しく低減され、トレーニング効率が向上している。
• 二重判別器を用いた敵対的訓練により、予測の空間的および時間的整合性が向上し、不自然な流入のフラクチュエーションが低減された。
• 定量的評価では、さまざまな予測時間窓において、MAE、RMSE、MAPEの指標でベースラインを上回っていることが示された。
• アブレーションスタディの結果、空間的および時間的判別器の両方が性能向上に有意に寄与していることが確認された。
• モデルは高い推論速度を維持しており、運用中の都市鉄道システムにおけるリアルタイム展開に適している。