[논문 리뷰] Deep Multi-View Spatiotemporal Virtual Graph Neural Network for Significant Citywide Ride-hailing Demand Prediction

Guangyin Jin, Zhexu Xi외 3명|arXiv (Cornell University)|2020. 07. 30.

Traffic Prediction and Management Techniques참고 문헌 26인용 수 15

한 줄 요약

이 논문은 GPS 데이터만을 사용하여 유의미한 라이드셰링 수요 지역에서 해석 가능한 가상 그래프를 구성하는 새로운 딥 다중시점 시간공간 그래프 신경망인 DMVST-VGNN을 제안한다. 이 모델은 단기 동적 특성을 캡처하기 위해 1D-CNN을 통합하고, 다중 GAT을 통해 공간적 종속성을 모델링하며, 장기 시간적 모델링을 위해 Transformer를 활용한다. 모델은 최상위 성능을 달성하여, 뉴욕시 우버 및 택시 데이터셋에서 기존 최상위 기준 모델 대비 RMSE를 각각 최대 7.14%, 4.71% 감소시켰다.

ABSTRACT

Urban ride-hailing demand prediction is a crucial but challenging task for intelligent transportation system construction. Predictable ride-hailing demand can facilitate more reasonable vehicle scheduling and online car-hailing platform dispatch. Conventional deep learning methods with no external structured data can be accomplished via hybrid models of CNNs and RNNs by meshing plentiful pixel-level labeled data, but spatial data sparsity and limited learning capabilities on temporal long-term dependencies are still two striking bottlenecks. To address these limitations, we propose a new virtual graph modeling method to focus on significant demand regions and a novel Deep Multi-View Spatiotemporal Virtual Graph Neural Network (DMVST-VGNN) to strengthen learning capabilities of spatial dynamics and temporal long-term dependencies. Specifically, DMVST-VGNN integrates the structures of 1D Convolutional Neural Network, Multi Graph Attention Neural Network and Transformer layer, which correspond to short-term temporal dynamics view, spatial dynamics view and long-term temporal dynamics view respectively. In this paper, experiments are conducted on two large-scale New York City datasets in fine-grained prediction scenes. And the experimental results demonstrate effectiveness and superiority of DMVST-VGNN framework in significant citywide ride-hailing demand prediction.

연구 동기 및 목표

• 세밀한 도시 라이드셰링 수요 예측에서 공간 데이터 희소성과 제한된 장기 시간적 모델링 문제를 해결한다.
• 외부 구조적 데이터 없이도 이미지 기반 및 전통적인 그래프 기반 모델의 한계를 극복하기 위해, 유의미한 수요 지역에서 해석 가능한 가상 그래프를 구성한다.
• 다중시점 딥 러닝 프레임워크를 통해 단기, 중기, 장기 시간적 동적 특성을 향상시킨다.
• 실제 도시 환경에서 전역 및 고수요 핫스팟 지역의 예측 정확도를 향상시킨다.
• 두 대규모 뉴욕 라이드셰링 데이터셋에서 제안된 프레임워크의 유효성을 입증한다.

제안 방법

• 높은 라이드셰링 패턴 유사도를 보이는 인접 지역을 식별하고 집계하여 가상 그래프를 구성하며, 희소하거나 부정확한 지역은 제거한다.
• 가상 그래프 구조 내에서 공간적 종속성을 모델링하기 위해 거리, 상관관계, 이동성 그래프의 세 가지 서로 다른 그래프 유형을 사용한다.
• 순차적 수요 패턴에서 단기 시간적 동적 특성을 캡처하기 위해 1D-CNN 모듈을 통합한다.
• 가상 그래프 전역에서 다중 유형의 공간적 종속성을 추출하기 위해 다중 그래프 어텐션 네트워크(Multi-GAT)를 활용한다.
• 장기간의 시간적 종속성을 장기적인 시퀀스에 걸쳐 모델링하기 위해 트랜스포머 인코더를 적용한다.
• 세 가지 구성 요소—단기, 공간, 장기 시각—을 계층적으로 통합하여 종단 간 훈련이 가능한 DMVST-VGNN 프레임워크를 구성한다.

실험 결과

연구 질문

• RQ1 GPS 데이터만으로 구성된 가상 그래프가 세밀하고 희소한 도시 수요 상황에서 예측 정확도 향상에 기여하는가?
• RQ2 다중시점 모델링(단기, 공간, 장기)의 통합이 복잡한 시간공간 동적 특성을 얼마나 효과적으로 포착하는가?
• RQ3 제안된 DMVST-VGNN 프레임워크가 전역 및 핫스팟 지역 수요 예측에서 기존 최상위 모델을 초월하는가?
• RQ4 각 개별 구성 요소(GAT, 트랜스포머, 1D-CNN 등)가 전체 성능에 기여하는 정도는 어떠한가?
• RQ5 다양한 수요 패턴을 보이는 대규모 라이드셰링 데이터셋 간에 모델이 효과적으로 일반화되는가?

주요 결과

• DMVST-VGNN는 뉴욕시 우버 데이터셋에서 최상위 기준 모델 대비 RMSE 7.14% 감소 및 MAE 7.61% 감소를 달성했다.
• 뉴욕시 택시 데이터셋에서는 최적의 기준 모델 대비 RMSE 4.71% 감소 및 MAPE 4.61% 감소를 기록했다.
• 상위 10% 핫스팟 수요 지역에서, DMVST-VGNN는 최상위 기준 모델인 ST-MGCN 대비 뉴욕시 우버 데이터에서 MAPE 3.51% 낮게, 뉴욕시 택시 데이터에서 MAPE 5.99% 낮게 기록했다.
• 제거 실험 결과, 공간 시각에서 거리, 상관관계, 이동성 그래프를 모두 통합한 경우 단일 그래프 버전 대비 성능 향상이 뚜렷하게 확인되었다.
• 단기(_SD-GNN_) 또는 장기(_LD-GNN_) 시간 모듈를 제거할 경우 성능 저하가 뚜렷하게 발생하여, 두 구성 요소의 중요성을 입증했다.
• 모델은 모든 평가 지표에서 뛰어난 일관성과 강건성을 보이며, 실제 도시 데이터셋에서 뛰어난 일반화 능력을 입증했다.