[論文レビュー] Uncertainty Quantification of Spatiotemporal Travel Demand with Probabilistic Graph Neural Networks

Qingyi Wang, Shenhao Wang+3 more|arXiv (Cornell University)|Mar 7, 2023

Transportation Planning and Optimization被引用数 6

ひとこと要約

本稿では、都市部の移動需要における時空間的不確実性を定量化するための確率的グラフニューラルネットワーク（Prob-GNN）フレームワークを提案する。予測不確実性をモデル化するために、切り捨て正規分布、ラプラス分布などの確率的分布を用いながら、高いポイント予測精度を維持する。このフレームワークは、特に2パラメータ分布を用いることで優れた不確実性のキャリブレーションを示し、ドメインシフト（例：COVID-19）に対しても頑健である。また、不確実性は午後ピーク時刻および高流量の鉄道駅に集中していることが明らかになった。

ABSTRACT

Recent studies have significantly improved the prediction accuracy of travel demand using graph neural networks. However, these studies largely ignored uncertainty that inevitably exists in travel demand prediction. To fill this gap, this study proposes a framework of probabilistic graph neural networks (Prob-GNN) to quantify the spatiotemporal uncertainty of travel demand. This Prob-GNN framework is substantiated by deterministic and probabilistic assumptions, and empirically applied to the task of predicting the transit and ridesharing demand in Chicago. We found that the probabilistic assumptions (e.g. distribution tail, support) have a greater impact on uncertainty prediction than the deterministic ones (e.g. deep modules, depth). Among the family of Prob-GNNs, the GNNs with truncated Gaussian and Laplace distributions achieve the highest performance in transit and ridesharing data. Even under significant domain shifts, Prob-GNNs can predict the ridership uncertainty in a stable manner, when the models are trained on pre-COVID data and tested across multiple periods during and after the COVID-19 pandemic. Prob-GNNs also reveal the spatiotemporal pattern of uncertainty, which is concentrated on the afternoon peak hours and the areas with large travel volumes. Overall, our findings highlight the importance of incorporating randomness into deep learning for spatiotemporal ridership prediction. Future research should continue to investigate versatile probabilistic assumptions to capture behavioral randomness, and further develop methods to quantify uncertainty to build resilient cities.

研究の動機と目的

• 深層学習ベースの移動需要予測における不確実性定量化の欠如に応えるが、ポイント予測精度の向上は著しい。
• 移動およびライドシェア需要における時空間的不確実性をモデル化するため、確率的仮定をグラフニューラルネットワークに統合する汎用性の高いフレームワークを開発する。
• 決定的アーキテクチャの選択（例：GCN、GAT）と確率的仮定（例：分布型）の相対的な影響が、不確実性とポイント予測のパフォーマンスに与える影響を調査する。
• COVID-19パンデミックのような顕著な現実世界の混乱下でのモデルの一般化能力を、パンデミック前トレーニング済みモデルを用いて評価する。
• 不確実性の空間的および時間的パターンを明らかにし、リアルタイムのシステム管理および長期的な都市レジリエンス計画に活用する。

提案手法

• 決定的グラフニューラルネットワークアーキテクチャ（GCN、GAT）と確率的出力分布を組み合わせたProb-GNNフレームワークを提案し、移動需要予測における不確実性をモデル化する。
• 6つの確率的仮定（HomoG、Pois、HetG、TG、GEns、Lap）を用い、異なる分布的特性（例：固定分散、重たい尾、切り捨て）をモデル化する。
• ポイント予測と不確実性推定の両方を最適化するため、負の対数尤度（NLL）損失を用いてモデルを訓練し、NLLとキャリブレーション誤差指標を用いて評価する。
• 実世界の鉄道およびライドシェアデータセット（シカゴ）を用い、パンデミック前とパンデミック後の期間で性能を評価し、ドメインシフトに対する頑健性をテストする。
• ヒートマップと異常検知を用いて、時空間的不確実性パターンを可視化・分析し、高不確実性の駅や時間帯を同定する。
• 異なる確率的および決定的構成の間でモデルパフォーマンスを比較し、各仮定タイプが予測品質に与える影響を分離する。

実験結果

リサーチクエスチョン

• RQ1 異なる確率的仮定（例：分布型、定義域、尾の挙動）が、移動需要予測における不確実性定量化パフォーマンスに与える影響は何か？
• RQ2 決定的アーキテクチャの選択（例：GCN対GAT、深さ、ドロップアウト）が、確率的仮定と比較して不確実性およびポイント予測精度に与える影響はどの程度か？
• RQ3 Prob-GNNは、COVID-19パンデミックによって引き起こされる顕著なドメインシフト下でも、正確な不確実性推定を維持できるか？
• RQ4 鉄道およびライドシェア需要における不確実性の空間的および時間的パターンは何か？そして、それらは運用意思決定にどのように活用できるか？
• RQ5 不確実性定量化の導入により、現実世界の都市モビリティシステムにおけるモデルの頑健性とレジリエンスはどの程度向上するか？

主な発見

• 確率的仮定、特に2パラメータ分布（例：切り捨て正規分布、ラプラス分布）が、不確実性予測パフォーマンスに顕著な影響を与え、1パラメータベースラインと比較してNLLを最大20%改善し、キャリブレーション誤差を3〜5倍低減した。
• 決定的コンponent（例：GCN、GAT）はパフォーマンスにほとんど影響せず、確率的仮定を一定に保った場合、アーキテクチャ間でNLL損失の差が3%未満にとどまった。
• ポイント予測がドメインシフト（例：パンデミック後）で著しく劣化しても、不確実性予測は正確でキャリブレーションが保たれており、Prob-GNNフレームワークの優れた一般化能力を示している。
• 不確実性は空間的に高流量の鉄道駅に集中し、時間的にも午後ピーク時刻に集中しており、システム監視および需要管理に向けた実行可能なパターンを明らかにした。
• フレームワークは、異常に高い不確実性を示す駅（例：ブルーラインのDivision/Milwaukee）を効果的に同定でき、これは潜在的なシステム障害を示唆し、事前の干渉を促進する。
• Prob-GNNフレームワークは、パンデミック後の複数のテスト期間にわたり安定したパフォーマンスを維持しており、大規模なシステム的混乱に対するレジリエンスと、変化するモビリティパターンへの頑健性を示している。