[論文レビュー] UUKG: Unified Urban Knowledge Graph Dataset for Urban Spatiotemporal Prediction

Yansong Ning, Hao Liu+3 more|arXiv (Cornell University)|Jun 20, 2023

Human Mobility and Location-Based Analysis被引用数 13

ひとこと要約

UUKG はニューヨークとシカゴ向けのオープンソースの都市知識グラフを提供し、KG埋め込みと知識強化型USTPタスクをベンチマークし、構造認識 embeddings が複数の都市予測タスクを改善することを示します。

ABSTRACT

Accurate Urban SpatioTemporal Prediction (USTP) is of great importance to the development and operation of the smart city. As an emerging building block, multi-sourced urban data are usually integrated as urban knowledge graphs (UrbanKGs) to provide critical knowledge for urban spatiotemporal prediction models. However, existing UrbanKGs are often tailored for specific downstream prediction tasks and are not publicly available, which limits the potential advancement. This paper presents UUKG, the unified urban knowledge graph dataset for knowledge-enhanced urban spatiotemporal predictions. Specifically, we first construct UrbanKGs consisting of millions of triplets for two metropolises by connecting heterogeneous urban entities such as administrative boroughs, POIs, and road segments. Moreover, we conduct qualitative and quantitative analysis on constructed UrbanKGs and uncover diverse high-order structural patterns, such as hierarchies and cycles, that can be leveraged to benefit downstream USTP tasks. To validate and facilitate the use of UrbanKGs, we implement and evaluate 15 KG embedding methods on the KG completion task and integrate the learned KG embeddings into 9 spatiotemporal models for five different USTP tasks. The extensive experimental results not only provide benchmarks of knowledge-enhanced USTP models under different task settings but also highlight the potential of state-of-the-art high-order structure-aware UrbanKG embedding methods. We hope the proposed UUKG fosters research on urban knowledge graphs and broad smart city applications. The dataset and source code are available at https://github.com/usail-hkust/UUKG/.

研究の動機と目的

• 公開・統一されたUrbanKGの必要性を喚起する複数のUSTPタスクを支援する。
• 複数ソースの都市データを統合して、二つの大都市向けの大規模 UrbanKG を構築する。
• 高次の都市グラフ構造（階層と循環）とそれが埋め込みに与える影響を分析する。
• UrbanKG補完におけるKG埋め込み手法をベンチマークし、埋め込みを多様なUSTPモデルに統合する。
• 構造認識型の非ユークリッド埋め込みが都市の時空予測を改善することを示す。

提案手法

• UrbanKG を 8 種のエンティティタイプと 13 種の関係を持つ多関係異種グラフとして定義する。
• NYC（ニューヨーク市）と CHI（シカゴ）向けに行政区画、道路網、POI からデータを収集し前処理する。
• 地理的包含、隣接、およびカテゴリ関係を符号化する UrbanKG トリプレットを構築する。
• 構造認識埋め込み手法を動機づけるために、ハイパーボリシティと循環を分析している。
• NYC と CHI に対する KG 補完のため、15 種の KG 埋め込み手法（ユークリッドと非ユークリッド）を評価する。
• 学習済み UrbanKG 埋め込みを 5 つの USTP モデルの 5 つのタスクに組み込み、性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 R2 タスクを支援するために、マルチソースの都市データから公開・統一されたUrbanKGを構築できるか？
• RQ2 UrbanKG の高次構造（階層、循環）は埋め込み品質と下流のUSTP性能を向上させるか？
• RQ3 構造認識埋め込み空間（Euclidean、hyperbolic、spherical、product）のうち、知識強化型USTPのためにUrbanKG情報を最も良く保持するのはどれか？
• RQ4 UrbanKG 埋め込みは多様な USTP タスクとモデル間で転用可能か？

主な発見

• ニューヨークとシカゴのUrbanKGは、多層階層と循環を含む数百万のトリプレットを含み、ハイパーボリックおよび球面埋め込み空間のモデリングに適している。
• 非ユークリッド（ハイパーボリックおよび球面）埋め込みは、NYCとCHIの両方のUrbanKGにおけるKG補完でユークリッド埋め込みを上回る。
• 積空間埋め込み（ハイパーボリック空間と球面空間を組み合わせる）はリンク予測で最良の性能を発揮する。
• UrbanKG 埋め込みを 5 つのUSTPタスク（タクシー、バイク、モビリティ、犯罪、311サービス）に組み込むと、複数のモデルで予測精度が向上する（タスクで報告されている範囲は 2-10%）。
• UrbanKG 埋め込みはタスクに依存せず転用可能で、いくつかの下流USTPモデル（例：ASTGCN、HGCN）を元の能力を超えて改善する。