[논문 리뷰] Context-aware demand prediction in bike sharing systems: incorporating spatial, meteorological and calendrical context

Cláudio Sardinha, Anna Carolina Finamore외 1명|arXiv (Cornell University)|2021. 05. 03.

Urban Transport and Accessibility참고 문헌 35인용 수 5

한 줄 요약

이 논문은 공간적, 기상학적, 달력적 맥락을 통합하여 자전거 공유 수요 예측을 향상시키는 맥락 인식 LSTM 기반 모델을 제안한다. 순차적 LSTM을 사용하고 다변량 시계열 마스킹 및 전망 맥락을 통한 시간에 따라 변하는 정규화를 통해, 특히 공간 상호의존성과 기상 영향을 효과적으로 다루면서 예측 정확도를 크게 향상시킨다.

ABSTRACT

Bike sharing demand is increasing in large cities worldwide. The proper functioning of bike-sharing systems is, nevertheless, dependent on a balanced geographical distribution of bicycles throughout a day. In this context, understanding the spatiotemporal distribution of check-ins and check-outs is key for station balancing and bike relocation initiatives. Still, recent contributions from deep learning and distance-based predictors show limited success on forecasting bike sharing demand. This consistent observation is hypothesized to be driven by: i) the strong dependence between demand and the meteorological and situational context of stations; and ii) the absence of spatial awareness as most predictors are unable to model the effects of high-low station load on nearby stations. This work proposes a comprehensive set of new principles to incorporate both historical and prospective sources of spatial, meteorological, situational and calendrical context in predictive models of station demand. To this end, a new recurrent neural network layering composed by serial long-short term memory (LSTM) components is proposed with two major contributions: i) the feeding of multivariate time series masks produced from historical context data at the input layer, and ii) the time-dependent regularization of the forecasted time series using prospective context data. This work further assesses the impact of incorporating different sources of context, showing the relevance of the proposed principles for the community even though not all improvements from the context-aware predictors yield statistical significance.

연구 동기 및 목표

• 공간 상호의존성과 외부 맥락 요인으로 인한 정확도 떨어지는 자전거 공유 수요 예측 문제를 해결한다.
• 예측 정확도 향상을 통해 정류장 균형 조절과 자전거 공유 시스템의 운영 효율성을 향상시킨다.
• 딥 러닝 모델에 이력 및 전망 맥락 자료를 포함한 공간적, 기상학적, 달력적 맥락을 체계적으로 통합한다.
• 이질적인 맥락 자료 간의 다변수 상관관계를 포착하는 새로운 순환 신경망 아키텍처를 개발한다.
• 향후 모델 설계를 안내하기 위해 다양한 맥락 자료의 기여도를 평가한다.

제안 방법

• 공간적, 기상학적, 달력적 자료에서 유래한 다변량 시계열 데이터를 모델링하기 위해 다중 LSTM 구성 요소로 이루어진 순차적 LSTM 아키텍처를 제안한다.
• 기본 입력층에서 이력 맥락 자료(예: 과거 기상, 정류장 적재량)를 보조 입력으로 인코딩하기 위해 다변량 시계열 마스킹을 도입한다.
• 예측 결과에 시간에 따라 변하는 정규화를 적용하여 전망 맥락 자료(예: 기상 예보)를 사용해 예측 수명 주기 동안 예측을 정밀하게 조정한다.
• 경쟁 기준으로 사용하기 위해 시간 시계열의 바리센터를 사용하는 거리 기반 예측기 설계.
• 정류장 간 거리와 용량을 기반으로 한 공간 마스킹을 사용해 근접한 정류장 간 상호의존성을 모델링한다.
• 리스본의 GIRA 자전거 공유 시스템에서 수집한 실세계 데이터를 사용해 모델을 훈련 및 평가하며, MAE, RMSE, R² 등의 지표를 활용한다.

실험 결과

연구 질문

• RQ1 공간적, 기상학적, 달력적 맥락을 통합하면 자전거 공유 수요 예측 정확도가 어떻게 향상되는가?
• RQ2 이력 자료와 전망 자료 중 어느 것이 예측 성능에 더 큰 기여를 하는가?
• RQ3 정류장 간 공간 상호의존성이 수요 예측에 얼마나 큰 영향을 미치며, 이를 효과적으로 모델링할 수 있는가?
• RQ4 맥락 인식 마스킹과 정규화를 갖춘 순차적 LSTM 아키텍처가 표준 LSTM 및 기준 모델보다 우월한가?
• RQ5 특정 맥락 변수(예: 풍속, 강수량, 공휴일) 중 수요 예측에 가장 큰 영향을 미치는 것은 무엇인가?

주요 결과

• 다변량 마스킹과 시간에 따라 변하는 정규화를 적용한 맥락 인식 LSTM 모델은 GIRA 정류장 전역에서 체크인 예측에 평균 MAE 2.16 ± 0.22를 기록하여 기준 모델을 능가했다.
• 이력 및 전망 기상 변수를 모두 통합함으로써 예측 정확도가 향상되었으며, 풍속 강도와 강수량이 가장 강력한 예측 영향을 미쳤다.
• 공간 마스킹과 보완적 수요 시계열의 사용은 예측을 향상시켰지만, 오차의 차이가 통계적으로 유의미하지 않았다.
• 이력 자료가 전망 자료보다 略적으로 더 긍정적인 영향을 미쳤는데, 이는 예측된 기상 변수에 대한 불확실성 때문일 것이다.
• 다양한 조건에서도 안정적인 성능을 보였으며, 특히 오리엔테 클러스터와 같은 어려운 테스트 인스턴스에서 맥락 인식 예측이 표준 LSTM보다 오차를 감소시켰다.
• 하이퍼파rameter 튜닝 결과, 작은 배치 크기와 Adam 옵timizer가 최적의 성능을 냈으며, 드롭아웃과 L1 정규화를 추가로 적용함으로써 추가로 성능 향상이 이루어졌다.