[논문 리뷰] Crowd Flow Prediction by Deep Spatio-Temporal Transfer Learning.

Leye Wang, Geng Xu외 3명|arXiv (Cornell University)|2018. 02. 01.

Traffic Prediction and Management Techniques참고 문헌 7인용 수 23

한 줄 요약

이 논문은 데이터가 부족한 대상 도시에서 인구 유동을 예측하기 위해 데이터가 풍부한 원천 도시로부터 지식을 전이하는 깊이 있는 시공간 전이 학습 프레임워크인 RegionTrans를 제안한다. 사회적 체크인을 통해 도시 간 지역을 연결하고 은닉 표현 간 격차를 최소화함으로써, RegionTrans는 최신 기술 대비 예측 오차를 최대 10.7% 감소시킨다.

ABSTRACT

Crowd flow prediction is a fundamental urban computing problem. Recently, deep learning has been successfully applied to solve this problem, but it relies on rich historical data. In reality, many cities may suffer from data scarcity issue when their targeted service or infrastructure is new. To overcome this issue, this paper proposes a novel deep spatio-temporal transfer learning framework, called RegionTrans, which can predict future crowd flow in a data-scarce (target) city by transferring knowledge from a data-rich (source) city. Leveraging social network check-ins, RegionTrans first links a region in the target city to certain regions in the source city, expecting that these inter-city region pairs will share similar crowd flow dynamics. Then, we propose a deep spatio-temporal neural network structure, in which a hidden layer is dedicated to keeping the region representation. A source city model is then trained on its rich historical data with this network structure. Finally, we propose a region-based cross-city transfer learning algorithm to learn the target city model from the source city model by minimizing the hidden representation discrepancy between the inter-city region pairs previously linked by check-ins. With experiments on real crowd flow, RegionTrans can outperform state-of-the-arts by reducing up to 10.7% prediction error.

연구 동기 및 목표

• 역사적 데이터가 제한된 도시에서의 인구 유동 예측 과제를 해결하기 위해.
• 데이터가 풍부한 원천 도시에서의 지식을 활용하여 도시 계산에서의 데이터 부족 문제를 해결하기 위해.
• 도시 간 공간적 및 시간적 동역학을 유지하는 전이 학습 프레임워크를 개발하기 위해.
• 지역 수준의 정렬을 통해 도시 간 인구 유동 패턴의 일반화를 가능하게 하기 위해.
• 연결된 원천 및 대상 지역 간 표현 격차를 최소화하여 대상 도시의 예측 정확도를 향상시키기 위해.

제안 방법

• 대상 도시와 원천 도시 간의 도시 간 지역 대응 관계를 수립하기 위해 사회 네트워크 체크인 데이터를 사용하기 위해.
• 지역 표현 학습을 위한 전용 은닉층을 갖춘 깊이 있는 시공간 신경망을 설계하기 위해.
• 제안된 네트워크 아키텍처를 사용하여 풍부한 역사를 가진 원천 도시 모델을 훈련하기 위해.
• 연결된 지역 쌍 간의 은닉 표현 격차를 최소화하는 지역 기반의 도시 간 전이 학습 알고리즘을 제안하기 위해.
• 도시 간 지역 쌍 간의 표현 정렬을 통해 원천 모델을 미세조정하여 대상 도시 모델을 최적화하기 위해.
• 원천 도시와 대상 도시 양쪽 모두의 시공간적 종속성을 활용하여 일반화 및 예측의 견고성을 향상시키기 위해.

실험 결과

연구 질문

• RQ1 풍부한 데이터를 가진 도시에서의 지식이 데이터가 부족한 대상 도시에서의 인구 유동 예측을 향상시키는 데 효과적으로 전이될 수 있는가?
• RQ2 소셜 미디어 체크인 데이터를 사용하여 의미 있는 도시 간 지역 대응 관계를 어떻게 식별할 수 있는가?
• RQ3 연결된 지역 간 은닉 표현 격차를 최소화할 경우 예측 정확도 향상에 어느 정도 기여하는가?
• RQ4 제안된 RegionTrans 프레임워크는 기존의 딥 러닝 및 전이 학습 방법과 비교하여 어떻게 성능을 냈는가?
• RQ5 시공간 표현 정렬은 도시 간 모델 일반화에 어떤 영향을 미치는가?

주요 결과

• RegionTrans는 실제 인구 유동 데이터에서 최신 기술 대비 예측 오차를 최대 10.7% 감소시킨다.
• 데이터가 풍부한 원천 도시에서의 지식을 활용함으로써, 데이터가 부족한 대상 도시에서 뚜렷한 성능 향상을 달성한다.
• 체크인 데이터를 활용한 지역 기반 정렬이 유사한 인구 유동 동역학을 캡처함으로써 도시 간 전이 학습을 향상시킨다.
• 은닉 표현 최소화 전략이 연결된 지역 간 공간적 및 시간적 패턴을 효과적으로 전이한다.
• 제안된 모델은 역사적 데이터가 제한된 대상 도시에서도 다양한 도시 환경에서 잘 일반화된다.
• 전용 지역 표현 학습 기능을 갖춘 깊이 있는 시공간 아키텍처는 모델의 표현력과 전이 가능성 향상에 기여한다.