[논문 리뷰] Completion and Augmentation based Spatiotemporal Deep Learning Approach for Short-Term Metro Origin-Destination Matrix Prediction under Limited Observable Data

Jiexia Ye, Juanjuan Zhao외 2명|arXiv (Cornell University)|2021. 08. 09.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

이 논문은 관측 데이터가 제한된 상황에서 단기 지하철 원천-목적지(OD) 행렬 예측을 향상시키기 위해 완료 및 증강 기반의 시공간 딥러닝 모델(C-AHGCSP)을 제안한다. 유사한 특성을 가진 정류장 간의 데이터 기반 상관관계를 활용하고 실시간 이동 패턴 및 이동 시간을 이용해 불완전한 OD 유량을 보완함으로써, 기준 모델 대비 최대 4%의 성능 향상을 달성하며, 다른 모델에 본 모델의 데이터 보완 프레임워크를 통합할 경우 최대 2.1% 향상된다.

ABSTRACT

Short-term OD flow (i.e. the number of passenger traveling between stations) prediction is crucial to traffic management in metro systems. Due to the delayed effect in latest complete OD flow collection, complex spatiotemporal correlations of OD flows in high dimension, it is more challengeable than other traffic prediction tasks of time series. Existing methods need to be improved due to not fully utilizing the real-time passenger mobility data and not sufficiently modeling the implicit correlation of the mobility patterns between stations. In this paper, we propose a Completion based Adaptive Heterogeneous Graph Convolution Spatiotemporal Predictor. The novelty is mainly reflected in two aspects. The first is to model real-time mobility evolution by establishing the implicit correlation between observed OD flows and the prediction target OD flows in high dimension based on a key data-driven insight: the destination distributions of the passengers departing from a station are correlated with other stations sharing similar attributes (e.g. geographical location, region function). The second is to complete the latest incomplete OD flows by estimating the destination distribution of unfinished trips through considering the real-time mobility evolution and the time cost between stations, which is the base of time series prediction and can improve the model's dynamic adaptability. Extensive experiments on two real world metro datasets demonstrate the superiority of our model over other competitors with the biggest model performance improvement being nearly 4\%. In addition, the data complete framework we propose can be integrated into other models to improve their performance up to 2.1\%.

연구 동기 및 목표

• 불완전하고 지연된 데이터 수집 상황에서 단기 지하철 원천-목적지(OD) 행렬 예측 문제를 해결하기 위해.
• 특히 정류장 간의 동적이고 암묵적인 이동 패턴을 포함한 고차원 OD 유량의 복잡한 시공간 상관관계를 모델링하기 위해.
• 실시간 이동 패턴과 시간 비용 추정을 이용해 불완전한 OD 유량을 보완하여 예측 정확도를 향상시키기 위해.
• 기존 모델에 통합될 수 있는 데이터 보완 프레임워크를 개발하기 위해.

제안 방법

• 모델은 지리적 근접성(가우시안 커널을 통한), 지역 기능성(KL 발산을 통한), 그리고 전역적 동적 특성(자기주의 주의 메커니즘을 통한)을 포함한 다중 공간 상관관계를 추출하기 위해 적응형 이질적 그래프 컨볼루션(AHGC) 모듈을 사용한다.
• 완료되지 않은 이동을 추정하기 위해 데이터 보완 추정기 모듈을 제안하며, 실시간 이동 패턴과 정류장 간 이동 시간을 기반으로 승객의 목적지 분포를 모델링한다.
• 핵심 통찰은 동일한 특성을 가진 정류장 간에 승객의 목적지 분포가 상관관계를 가지며, 이를 통해 암묵적인 상관관계 모델링이 가능하다는 것이다.
• OD 유량의 순차적 패턴을 포착하기 위해 LSTM을 사용한 시간적 의존성 모듈을 통합한다.
• 데이터 보완 과정은 역사적 지연된 OD 비율과 유입/유출 데이터를 사용하여 최종 수집 이전에 전체 OD 행렬을 추정하기 위해 훈련된다.
• 완전한 프레임워크는 엔드 투 엔드로 훈련 가능하며, 시공간 모델링과 동적 데이터 보완을 통합하여 더 높은 적응성과 정확도를 달성한다.

실험 결과

연구 질문

• RQ1 유사한 특성을 가진 지하철 정류장 간의 암묵적 공간 상관관계를 효과적으로 모델링하여 OD 유량 예측을 향상시킬 수 있는가?
• RQ2 실시간 이동 패턴과 이동 시간 정보를 이용해 불완전한 OD 유량 데이터를 얼마나 정확하게 보완할 수 있는가?
• RQ3 기존의 OD 예측 모델 성능을 향상시킬 수 있는 데이터 보완 프레임워크를 설계할 수 있는가?
• RQ4 데이터 보완 통합이 지하철 시스템의 동적 적응성과 예측 정확도에 어떤 영향을 미치는가?
• RQ5 공간 상관관계 모델링과 데이터 보완 중 어느 것이 전체 예측 성능 향상에 더 큰 기여를 하는가?

주요 결과

• 제안된 C-AHGCSP 모델은 두 개의 실세계 지하철 데이터셋에서 기존 기준 모델 대비 최대 약 4%의 성능 향상을 달성한다.
• 데이터 보완 프레임워크 자체만으로도 WMAPE 기준 다른 모델의 성능을 최대 2.1% 향상시키며, 상대적으로 더 불완전한 데이터셋(상하이)에서 가장 큰 향상이 관찰된다.
• 모델의 성능은 LSTM 유닛 수에 가장 민감하며, 오버피팅이 발생하기 전까지 최적의 성능을 256개 유닛에서 달성한다.
• 전역적 동적 특성 차원과 그래프 컨볼루션 유닛은 각각 16과 512(상하이) 또는 128(선전)에서 가장 효과적이며, 이는 저차원 표현이 희박한 OD 정보를 효과적으로 집약함을 시사한다.
• AHGCSP 기반 추정기는 최종 시간 슬롯의 OD 행렬을 직접 예측하는 것보다 성능이 뛰어나며, 이는 이른 시기의 불완전한 데이터에서의 사전 지식이 추정에 유리하게 작용함을 시사한다.
• 하이퍼파라미터 민감도 분석을 통해 모델이 다양한 설정에서 안정적으로 높은 성능을 유지함을 확인하였으며, 특히 그래프 컨볼루션 및 동적 특성 차원을 적절히 튜닝할 경우 더욱 우수한 성능을 발휘한다.