[논문 리뷰] AdaEnsemble Learning Approach for Metro Passenger Flow Forecasting

Shaolong Sun, Dongchuan Yang외 2명|arXiv (Cornell University)|2020. 02. 18.

Traffic Prediction and Management Techniques참고 문헌 38인용 수 4

한 줄 요약

이 논문은 변동성이 크고 비정상적인 지하철 승객 유동량 데이터를 예측하는 데 초점을 맞춘 적응형 앙상블 학습 프레임워크인 AdaEnsemble를 제안한다. 이는 변동성 모드 분해(VMD), SARIMA, LSTM, MLP 모델을 통합하여 지하철 승객 유동량을 예측한다. 흐름 데이터를 주기성, 결정성, 변동성 성분으로 분해하고 각 성분에 특화된 알고리즘을 적용한 후 메타-MLP를 통해 예측치를 재결합함으로써, 다양한 평가 지표에서 선진 기술 수준의 정확도와 강인성을 확보한다. 심천 지하철 데이터 기반 실험에서 뛰어난 성능을 보였다.

ABSTRACT

Accurate and timely metro passenger flow forecasting is critical for the successful deployment of intelligent transportation systems. However, it is quite challenging to propose an efficient and robust forecasting approach due to the inherent randomness and variations of metro passenger flow. In this study, we present a novel adaptive ensemble (AdaEnsemble) learning approach to accurately forecast the volume of metro passenger flows, and it combines the complementary advantages of variational mode decomposition (VMD), seasonal autoregressive integrated moving averaging (SARIMA), multilayer perceptron network (MLP) and long short-term memory (LSTM) network. The AdaEnsemble learning approach consists of three important stages. The first stage applies VMD to decompose the metro passenger flows data into periodic component, deterministic component and volatility component. Then we employ SARIMA model to forecast the periodic component, LSTM network to learn and forecast deterministic component and MLP network to forecast volatility component. In the last stage, the diverse forecasted components are reconstructed by another MLP network. The empirical results show that our proposed AdaEnsemble learning approach not only has the best forecasting performance compared with the state-of-the-art models but also appears to be the most promising and robust based on the historical passenger flow data in Shenzhen subway system and several standard evaluation measures.

연구 동기 및 목표

• 매우 변동성이 크고 비정상적인 지하철 승객 유동량 데이터를 예측하는 데 도전하는 것.
• 다양한 알고리즘의 상호보완적 강점을 활용하여 단일 모델 접근 방식의 한계를 극복하는 것.
• 정확도와 안정성을 향상시키는 강인하고 적응 가능한 앙상블 프레임워크를 개발하는 것.
• 실제 지하철 데이터에서 성분별 분해와 전문화된 모델링의 효과를 입증하는 것.

제안 방법

• 원시 승객 유동량 시계열을 주기성, 결정성, 변동성 성분으로 분리하기 위해 변동성 모드 분해(VMD)를 적용한다.
• 주기성 성분을 모델링하고 예측하기 위해 SARIMA를 사용하여 계절성 및 주기적 패턴을 포착한다.
• 장기적 의존성을 모델링하기 위해 장기 기억 장치(LSTM) 네트워크를 활용하여 결정성 성분을 학습하고 예측한다.
• 불규칙한 변동성을 표현하기 위해 다층 퍼셉트론(MLP)을 훈련시켜 변동성 성분을 예측한다.
• 세 성분 모델의 예측치를 메타-MLP 네트워크를 통해 조합하여 최종 예측치를 재구성한다.
• 심천 지하철 시스템의 역사적 승객 유동량 데이터를 사용하여 전체 AdaEnsemble 프레임워크를 종단 간 최적화한다.

실험 결과

연구 질문

• RQ1 다양한 전문화된 모델을 조합한 앙상블이 단일 예측 모델보다 지하철 승객 유동량 예측에서 뛰어난 성능을 내는가?
• RQ2 VMD는 복잡한 승객 유동량 시계열을 해석 가능하고 예측 가능한 성분으로 분해하는 데 얼마나 효과적인가?
• RQ3 성분별 전문화 모델링(SARIMA로 주기성, LSTM으로 결정성, MLP로 변동성)이 예측 정확도를 향상시키는가?
• RQ4 간단한 평균화 방식과 비교했을 때, 메타-MLP 재조합 단계가 전체 예측 성능 향상에 얼마나 기여하는가?
• RQ5 실제 지하철 시스템에서 다양한 시간 스케일과 데이터 조건에 걸쳐 AdaEnsemble 프레임워크의 강인성은 어느 정도인가?

주요 결과

• AdaEnsemble 모델은 심천 지하철 데이터에서 비교된 모든 최첨단 모델 중에서 가장 뛰어난 예측 성능을 기록했다.
• MAE, RMSE, MAPE 등 다양한 평가 지표에서 모델이 뛰어난 강인성을 보였다.
• VMD를 통한 성분별 분해가 후속 예측의 해석 가능성과 정확도를 크게 향상시켰다.
• SARIMA, LSTM, MLP를 각각 다른 성분에 통합함으로써 단일 모델을 사용하는 것보다 더 정확한 예측이 가능했다.
• 메타-MLP 재조합 단계는 예측치를 효과적으로 조합하여 오차를 감소시키고 일반화 능력을 향상시켰다.
• 실험 결과는 AdaEnsemble가 정확할 뿐 아니라 다양한 데이터 조건에서도 일관되고 신뢰할 수 있음을 확인했다.