[論文レビュー] STG2Seq: Spatial-temporal Graph to Sequence Model for Multi-step Passenger Demand Forecasting

Lei Bai, Lina Yao+3 more|arXiv (Cornell University)|May 24, 2019

Traffic Prediction and Management Techniques参考文献 18被引用数 21

ひとこと要約

本稿では、階層的グラフ畳み込みネットワークを活用して、マルチステップ乗客需要予測における複雑な空間時系列依存関係を捉えるグラフベースのシーケンス・ツー・シーケンスモデル、STG2Seqを提案する。長期間エンコーダ、短期間エンコーダ、およびアテンションベースの出力モジュールを採用することで、3つの実世界データセットにおいて、RMSEで最大4.9%、MAPEで最大4.5%の性能向上を達成し、長期間予測における誤差蓄積を低減する優れた精度を示している。

ABSTRACT

Multi-step passenger demand forecasting is a crucial task in on-demand vehicle sharing services. However, predicting passenger demand over multiple time horizons is generally challenging due to the nonlinear and dynamic spatial-temporal dependencies. In this work, we propose to model multi-step citywide passenger demand prediction based on a graph and use a hierarchical graph convolutional structure to capture both spatial and temporal correlations simultaneously. Our model consists of three parts: 1) a long-term encoder to encode historical passenger demands; 2) a short-term encoder to derive the next-step prediction for generating multi-step prediction; 3) an attention-based output module to model the dynamic temporal and channel-wise information. Experiments on three real-world datasets show that our model consistently outperforms many baseline methods and state-of-the-art models.

研究の動機と目的

• オンデマンドモビリティサービスにおけるマルチステップ乗客需要予測の課題に対処すること。誤った予測は、効率の悪い車両の手配を引き起こす。
• 非ユークリッド空間相関と長期時系列依存関係を扱えず、RNNおよびCNNベースの従来モデルに起因する制限を克服すること。
• RNNデコーダを二重エンコーダアーキテクチャに置き換えることで、マルチステップ予測における誤差蓄積を低減すること。
• 学習可能なアテンション機構を組み込むことで、履歴時系列ステップをそのターゲットステップに対する関連性に応じて動的に重み付けする、動的時系列相関をモデル化すること。
• グリッドベースの空間離散化を必要とせず、道路網に基づく都市地域のような不規則な空間分割に対しても一般化を保証すること。

提案手法

• 都市全体の乗客需要を、各領域をノードとし、空間的関係をグラフ畳み込み層でモデル化する空間時系列グラフとして定式化する。
• 複数のGCN層を備えたゲーテッド・グラフ畳み込みモジュール（GGCM）が、階層的に空間的および時系列的相関を捉え、長距離依存関係のパス長を短縮する。
• 長期間エンコーダは履歴需要シーケンスを処理して長期時系列パターンを捉え、短期間エンコーダはマルチステップ予測の次のステップを生成する。
• アテンションベースの出力モジュールは、時系列的およびチャネルワイドの依存関係を動的にモデル化し、過去の時系列ステップをそのターゲットステップに対する関連性に応じて適応的に重み付け可能にする。
• 訓練中に教師強制（teacher forcing）を用いることで、マルチステップ予測生成の安定性を向上させ、一般化性能を向上させ、誤差伝搬を低減する。
• アーキテクチャは不規則な空間分割、例えば道路網に基づく地域に対しても柔軟かつ一般化可能であり、グリッドベースの空間離散化を必要としない。

実験結果

リサーチクエスチョン

• RQ1 グラフベースのシーケンス・ツー・シーケンスモデルは、特に近隣よりも特性が類似した遠隔地域がより影響力を持つ場合に、乗客需要予測における非ユークリッド空間相関を効果的に捉えることができるか？
• RQ2 RNNベースのデコーダを二重エンコーダアーキテクチャに置き換えると、マルチステップ乗客需要予測における誤差蓄積にどのような影響を与えるか？
• RQ3 動的時系列相関をモデル化するアテンション機構は、静的または固定重み付き履歴集約と比較して、予測精度をどの程度向上させるか？
• RQ4 都市が道路網に基づく不規則な領域に分割された場合、モデルの性能はどのように変化するか？
• RQ5 提案されたSTG2Seqモデルは、空間的および時系列的ダイナミクスが異なる多様な実世界データセットにおいて、一貫して最先端の手法を上回る性能を示すか？

主な発見

• DIDI-SYデータセットにおいて、STG2Seqは最良の最先端手法比でRMSEに4.9%、MAPEに4.5%の相対的改善を達成し、顕著な性能向上を示している。
• NYCおよびDIDI-SYデータセットにおいて、STG2SeqはRMSEをそれぞれ2.6%および4.9%、MAEを0.4%および2.6%低減し、データセット全体にわたる一貫した優位性を示している。
• マルチステップ予測において、STG2Seqは3つの時間ステップすべてで誤差増加が低く抑えられている一方で、ConvLSTMおよびDCRNNは急激な性能劣化を示しており、誤差蓄積の低減が確認された。
• アブレーションスタディでは、短期間エンコーダを削除すると性能が単一ステップ予測水準まで低下し、アテンションモジュールやゲーティング機構をReLUやCNN層に置き換えると明確な性能低下が生じた。
• 不規則に分割された領域（道路網に基づく沈陽）において、STG2SeqはRMSE 3.244、MAE 2.136を達成し、ARIMA、SARIMA、MLP、XGBoost、DCRNN、STGCNをすべて上回った。
• 異なる空間分割スキームに対してもモデルの性能が安定しており、定期的なグリッドベースの都市表現を超えた一般化能力が確認された。