[논문 리뷰] An Application of Network Lasso Optimization For Ride Sharing Prediction

Shaona Ghosh, Kevin Page외 1명|arXiv (Cornell University)|2016. 06. 10.

Human Mobility and Location-Based Analysis참고 문헌 9인용 수 6

한 줄 요약

이 논문은 공간적 유사성과 모델 유사성을 기반으로 공동 최적화 및 클러스터링을 수행할 수 있는 확장 가능하고 통합된 최적화 프레임워크를 제안한다. 이는 Network Lasso와 ADMM를 활용하여 실시간 정확한 요금 예측을 가능하게 한다. 이 방법은 네트워크 구조를 활용하여 기존 Lasso보다 수렴성과 클러스터링 능력에서 뛰어난 성능을 보이며, 실제 및 합성 주행 데이터에서 99.8%의 예측 정확도와 8%의 효율적 클러스터링을 달성한다.

ABSTRACT

Ride sharing has important implications in terms of environmental, social and individual goals by reducing carbon footprints, fostering social interactions and economizing commuter costs. The ride sharing systems that are commonly available lack adaptive and scalable techniques that can simultaneously learn from the large scale data and predict in real-time dynamic fashion. In this paper, we study such a problem towards a smart city initiative, where a generic ride sharing system is conceived capable of making predictions about ride share opportunities based on the historically recorded data while satisfying real-time ride requests. Underpinning the system is an application of a powerful machine learning convex optimization framework called Network Lasso that uses the Alternate Direction Method of Multipliers (ADMM) optimization for learning and dynamic prediction. We propose an application of a robust and scalable unified optimization framework within the ride sharing case-study. The application of Network Lasso framework is capable of jointly optimizing and clustering different rides based on their spatial and model similarity. The prediction from the framework clusters new ride requests, making accurate price prediction based on the clusters, detecting hidden correlations in the data and allowing fast convergence due to the network topology. We provide an empirical evaluation of the application of ADMM network Lasso on real trip record and simulated data, proving their effectiveness since the mean squared error of the algorithm's prediction is minimized on the test rides.

연구 동기 및 목표

• 기존 리드셰어링 시스템에서 실시간으로 공유 기회를 예측할 수 없는 적응적이고 확장 가능한 학습 기법의 부족을 해결하기 위해.
• 최적화와 클러스터링을 하나의 통합 프레임워크로 통합하여 반응 시간과 계산 오버헤드를 줄이기 위해.
• 리드 데이터의 공간적 유사성과 모델 기반 유사성을 활용하여 유사한 운행을 그룹화하고 예측 정확도를 향상시키기 위해.
• 네트워크 구조 인식 최적화를 통해 대규모 리드셰어링 시스템에서 빠르고 분산된 수렴을 가능하게 하기 위해.
• 실제 녹색 택시 운행 데이터와 합성 데이터셋을 대상으로 프레임워크를 검증하여 기준 Lasso 방법보다 뛰어난 성능을 입증하기 위해.

제안 방법

• L1 정규화와 그래프 기반의 스무쓰니스 제약 조건을 결합한 볼록 최적화 프레임워크인 Network Lasso를 적용하여 클러스터링과 희박성(스퍼스티)을 촉진한다.
• Network Lasso 최적화 문제를 분산 및 확장 가능한 방식으로 해결하기 위해 교대 방식의 다중승수 방법(Alternating Direction Method of Multipliers, ADMM)을 사용한다.
• 이동 요청을 네트워크의 노드로 모델링하며, 간선은 공간적 근접성과 운행 파라미터(예: 출발지, 목적지, 시간, 수용량) 유사성으로 정의한다.
• 네트워크 구조를 활용하여 유사한 이동 요청 간에 예측의 스무쓰니스를 강제함으로써 클러스터링된 이동 요청에 공통된 모델 파라미터를 적용한다.
• 예측 오차와 네트워크 전반의 모델 유사성 간 균형을 맞추기 위해 정규화된 목적 함수를 최소화함으로써 공동 최적화 및 클러스터링을 수행한다.
• 이웃 구조(5개 및 10개 이웃)를 활용하여 네트워크 구조를 정의함으로써 지리적 유사성 외의 요소도 클러스터링에 영향을 미칠 수 있도록 한다.

실험 결과

연구 질문

• RQ1 기존의 분리된 접근 방식에 비해 통합 최적화 및 클러스터링 프레임워크가 실시간 예측 정확도 향상에 기여하는가?
• RQ2 Network Lasso와 ADMM가 네트워크 구조를 얼마나 효과적으로 활용하여 유사한 이동 요청을 그룹화하고 성능을 향상시키는가?
• RQ3 모델 유사성과 공간적 근접성을 통합할 경우, 동적 리드셰어링 환경에서 클러스터링 효율성과 예측 정확도에 어떤 영향을 미치는가?
• RQ4 기본 Lasso에 비해 제안된 방법은 수렴 속도, 희박성, 클러스터링 능력 측면에서 어떻게 다른가?
• RQ5 제한된 학습 신호를 가진 고차원 실세계 리드 데이터에 대해 이 프레임워크는 얼마나 일반화 가능한가?

주요 결과

• Network Lasso-ADMM 프레임워크는 테스트 운행에서 99.8%의 예측 정확도를 달성하여 기존의 기본 Lasso보다 정확도와 클러스터링 능력에서 뛰어난 성능을 보였다.
• 이 방법은 8%의 효율적 클러스터링을 달성하여 모델 및 공간 유사성 기반의 효과적인 그룹화를 입증했다.
• 기본 ADMM Lasso는 50회 반복 이내에 수렴했지만 네트워크 구조를 활용하지 못해 의미 있는 클러스터링을 이루지 못했다.
• 프레임워크는 5000차원의 합성 데이터에서 L1 정규화를 통해 자동으로 30%의 특징을 선택하여 강력한 희박성과 일반화된 모델 선택 능력을 보였다.
• 지리적으로 떨어진 이동 요청이라도 유사한 모델 파rameter를 공유할 경우 그룹화에 성공하여 네트워크 구조 인식 클러스터링의 핵심 잠재적 성질을 입증했다.
• 클러스터링 결과는 이웃 구조 선택에 대해 강건하였으며, 10개 이웃 네트워크에서는 더 높은 오버랩과 더 나은 일致성 있는 클러스터 구성 할당을 보였다.