[論文レビュー] Towards Generative Modeling of Urban Flow through Knowledge-enhanced Denoising Diffusion

Zhilun Zhou, Jingtao Ding+3 more|arXiv (Cornell University)|Sep 19, 2023

Human Mobility and Location-Based AnalysisSocial Sciences被引用数 3

ひとこと要約

本稿では、学習可能なボリューム推定器と都市環境および空間的関係をエンコードする知識グラフを活用することで、歴史的データのない地域における動的都市フローの生成を可能にする、知識強化型スパatiotemporal拡散モデルKSTDiffを提案する。このモデルは、フロー生成および長期的生成・予測タスクにおいて最先端の性能を達成し、主な指標で実データと7.5%以内の差で性能を発揮する。

ABSTRACT

Although generative AI has been successful in many areas, its ability to model geospatial data is still underexplored. Urban flow, a typical kind of geospatial data, is critical for a wide range of urban applications. Existing studies mostly focus on predictive modeling of urban flow that predicts the future flow based on historical flow data, which may be unavailable in data-sparse areas or newly planned regions. Some other studies aim to predict OD flow among regions but they fail to model dynamic changes of urban flow over time. In this work, we study a new problem of urban flow generation that generates dynamic urban flow for regions without historical flow data. To capture the effect of multiple factors on urban flow, such as region features and urban environment, we employ diffusion model to generate urban flow for regions under different conditions. We first construct an urban knowledge graph (UKG) to model the urban environment and relationships between regions, based on which we design a knowledge-enhanced spatio-temporal diffusion model (KSTDiff) to generate urban flow for each region. Specifically, to accurately generate urban flow for regions with different flow volumes, we design a novel diffusion process guided by a volume estimator, which is learnable and customized for each region. Moreover, we propose a knowledge-enhanced denoising network to capture the spatio-temporal dependencies of urban flow as well as the impact of urban environment in the denoising process. Extensive experiments on four real-world datasets validate the superiority of our model over state-of-the-art baselines in urban flow generation. Further in-depth studies demonstrate the utility of generated urban flow data and the ability of our model for long-term flow generation and urban flow prediction. Our code is released at: https://github.com/tsinghua-fib-lab/KSTDiff-Urban-flow-generation.

研究の動機と目的

• 新しく計画された地域や郊外など、歴史的データのない地域における現実的な都市フローの生成に取り組む。
• 地域固有の特徴や都市環境に影響を受ける動的で時間的に変化する都市フローの性質をモデル化する。
• さまざまな条件下で多様で現実的なフローパターンを生成できる条件付き生成モデルを開発する。
• 実際のフローデータが入手できない都市計画や交通管理の実用的応用を可能にする。
• 生成データが、出発地・目的地（OD）フロー推定などの下流タスクにどのように有用であるかを示す。

提案手法

• 地域間の空間的関係および土地利用やインfra構造などの環境的特徴をエンコードするための都市知識グラフ（UKG）を構築する。
• 逆ノイズ除去プロセス中に、スパティオトローラルフローのパターンとUKGでエンコードされた文脈の両方に注目する、知識強化型ノイズ除去ネットワークを設計する。
• 学習可能なボリューム推定器によって予測されるフローボリュームに従い、各地域ごとにカスタマイズされた拡散プロセスを導入し、生成プロセスを条件づける。
• 地域特徴、UKG文脈、推定ボリュームを条件として、マルチステップの動的都市フローを生成する条件付き拡散モデリングを用いる。
• ノイズが付加された入力と真値のフローセクエンスの再構成誤差を最小化する目的関数を用いて、モデルを訓練する。
• ボリューム推定器を歴史的フローに置き換えることで、モデルを都市フロー予測に適応させ、エンドツーエンドの予測を可能にする。

Figure 1. Comparison of urban flow prediction and urban flow generation.

実験結果

リサーチクエスチョン

• RQ1 拡散ベースの生成モデルは、歴史的フローデータのない地域に対しても、現実的で動的な都市フローのパターンを生成できるか？
• RQ2 知識強化型拡散モデルは、スパティオトローラル依存性および都市フローに及ぼす環境的要因をどれほど効果的に捉えることができるか？
• RQ3 生成された都市フローのデータは、ODフロー推定などの下流タスクにおいて、実データにどれほど代替可能か？
• RQ4 モデルは長期的フローセクエンスの生成に一般化可能であり、都市フローの予測モデリングを支援できるか？
• RQ5 地域固有のボリューム推定コンponentは、異なるフローボリュームを示す地域間で、生成品質をどのように向上させるか？

主な発見

• KSTDiffは、SOTAベースラインを上回る都市フロー生成性能を達成し、NYCデータセットではCPCが0.715、北京では0.554を記録。実データ（それぞれ0.773および0.582）に非常に近い。
• KSTDiffが生成したデータは、NYCと北京の両方で、実データよりもCPCが7.50%および4.81%低い結果を示し、OD生成タスクにおける強力な実用性を示した。
• 都市フロー予測において、KSTDiffはD.C.データセットでRMSEを14.2%低減し、MAEをベースライン比5.5%改善し、優れた汎用性を示した。
• モデルは、現実的な時間的ダイナミクスと空間的パターンを保持した長期的フローセクエンスを効果的に生成した。
• 知識強化型ノイズ除去ネットワークは、UKG文脈をノイズ除去プロセスに統合することで、性能を顕著に向上させ、その統合なしのモデルを上回った。
• 地域カスタマイズ型ボリューム推定器は、地域間のフローボリュームの高いばらつきに対処でき、高ボリュームおよび低ボリューム地域の両方で生成の忠実性を向上させた。

(a) Washington, D.C.