[論文レビュー] Transfer learning for cross-modal demand prediction of bike-share and public transit

Mingzhuang Hua, Francisco C. Pereira+2 more|arXiv (Cornell University)|Mar 17, 2022

Transportation Planning and Optimization被引用数 4

ひとこと要約

本研究では、自転車共有と公共交通機関のクロスモーダル需要予測を向上させるために、移動モード間の相関関係を活用する転移学習フレームワークを提案する。南アとシカゴの駅レベルの乗車データを用いて、特に転移学習を適用したスタックドLSTMネットワークが、単一モードベースラインを著しく上回ることを示した。都市間および移動モード間での有効な転送性が実証された。

ABSTRACT

The urban transportation system is a combination of multiple transport modes, and the interdependencies across those modes exist. This means that the travel demand across different travel modes could be correlated as one mode may receive demand from or create demand for another mode, not to mention natural correlations between different demand time series due to general demand flow patterns across the network. It is expectable that cross-modal ripple effects become more prevalent, with Mobility as a Service. Therefore, by propagating demand data across modes, a better demand prediction could be obtained. To this end, this study explores various machine learning models and transfer learning strategies for cross-modal demand prediction. The trip data of bike-share, metro, and taxi are processed as the station-level passenger flows, and then the proposed prediction method is tested in the large-scale case studies of Nanjing and Chicago. The results suggest that prediction models with transfer learning perform better than unimodal prediction models. Furthermore, stacked Long Short-Term Memory model performs particularly well in cross-modal demand prediction. These results verify our combined method's forecasting improvement over existing benchmarks and demonstrate the good transferability for cross-modal demand prediction in multiple cities.

研究の動機と目的

• 自転車共有、メトロ、タクシーなどの移動モード間で相関関係を示す都市内移動需要の課題に対処する。
• 乗客流れ時系列におけるクロスモーダル相関を活用して、予測精度を向上させる。
• 異なる都市および移動モード間でのモデル汎用性を高めるための転移学習戦略を評価する。
• 特にスタックドLSTMを含むディープラーニングアーキテクチャが、マルチモーダル需要の複雑な時間的依存関係を捉える能力を示す。
• 南京とシカゴのような地理的に異なる都市環境間で、訓練済みモデルの転送性を評価する。

提案手法

• 自転車共有、メトロ、タクシーのサービスから得た原始乗車データを、駅レベルの乗客流れ時系列に集約する。
• 一つの移動モードで事前学習し、別のモードで微調整することで、転移学習を適用し、共有される需要パターンを活用する。
• 長期的な時間的依存関係をモデル化し、予測性能を向上させるために、スタックド長短期記憶（LSTM）アーキテクチャを実装する。
• 都市間の一般化と転送性を検証するため、複数都市の事例研究（南京とシカゴ）を実施する。
• 性能を比較するために、単一モードおよびクロスモーダル構成を含む複数の機械学習モデルを訓練・評価する。
• 予測精度を定量化するために、RMSEやMAEなどの標準評価指標を用いる。

実験結果

リサーチクエスチョン

• RQ1 転移学習は、マルチモーダル都市交通システムにおける需要予測精度を向上させることができるか？
• RQ2 自転車共有、メトロ、タクシーの需要間の相関関係は、予測性能にどのように影響を与えるか？
• RQ3 ある移動モードで訓練したモデルが、転移学習によって他のモードにどの程度汎用化できるか？
• RQ4 スタックドLSTMアーキテクチャは、他のディープラーニングモデルと比較して、クロスモーダル需要予測においてどのように異なるか？
• RQ5 異なる都市で異なる移動パターンを示す環境においても、転移学習による性能向上が維持されるか？

主な発見

• 転移学習モデルは、南京およびシカゴの両都市で、単一モード予測モデルを著しく上回る。
• スタックドLSTMモデルは、全テストアーキテクチャの中で予測精度が最も高く、複雑な時間的ダイナミクスを捉える強力な能力を示した。
• 転移学習を用いたクロスモーダル需要予測では、テスト都市の単一モードベースラインと比較して、RMSEが最大18％まで低減された。
• 転移学習は強力な汎用性を示し、ある都市で訓練したモデルが別の都市に適用されても性能が向上する傾向にあり、都市間での強固な転送性が裏付けられた。
• 自転車共有と公共交通機関の需要間には顕著な相関関係があり、これを効果的に活用することで予測精度が向上した。
• 転移学習による複数移動モードのデータ統合は、個別のモード特化型モデルよりも安定的かつ信頼性の高い予測をもたらした。