[논문 리뷰] Deep trip generation with graph neural networks for bike sharing system expansion

Yuebing Liang, Fangyi Ding외 2명|arXiv (Cornell University)|2023. 03. 20.

Urban Transport and Accessibility인용 수 4

한 줄 요약

이 논문은 다중 소스 도시 건축 환경 데이터와 주목적 공간 그래프를 활용하여 주목적 공간 그래프와 주목적 메커니즘을 적용한 그래프 신경망(GNN) 기반 접근법인 Spatial-MGAT을 제안한다. 이는 자전거 공유 시스템 확장 시 정류장 수준의 출퇴근 수요 예측을 위한 것이다. 모델은 새로운 정류장에서 R²=0.783, 기존 정류장에서 R²=0.848을 기록하며 순차적 딥러닝 기반 모델들을 능가하여 장기적이고 구조적인 계획 시나리오에서 뛰어난 성능과 해석 가능성을 입증한다.

ABSTRACT

Bike sharing is emerging globally as an active, convenient, and sustainable mode of transportation. To plan successful bike-sharing systems (BSSs), many cities start from a small-scale pilot and gradually expand the system to cover more areas. For station-based BSSs, this means planning new stations based on existing ones over time, which requires prediction of the number of trips generated by these new stations across the whole system. Previous studies typically rely on relatively simple regression or machine learning models, which are limited in capturing complex spatial relationships. Despite the growing literature in deep learning methods for travel demand prediction, they are mostly developed for short-term prediction based on time series data, assuming no structural changes to the system. In this study, we focus on the trip generation problem for BSS expansion, and propose a graph neural network (GNN) approach to predicting the station-level demand based on multi-source urban built environment data. Specifically, it constructs multiple localized graphs centered on each target station and uses attention mechanisms to learn the correlation weights between stations. We further illustrate that the proposed approach can be regarded as a generalized spatial regression model, indicating the commonalities between spatial regression and GNNs. The model is evaluated based on realistic experiments using multi-year BSS data from New York City, and the results validate the superior performance of our approach compared to existing methods. We also demonstrate the interpretability of the model for uncovering the effects of built environment features and spatial interactions between stations, which can provide strategic guidance for BSS station location selection and capacity planning.

연구 동기 및 목표

• 시스템 확장 과정에서 기존 모델이 기초 구조 변화와 데이터 희소성로 인해 실패하는 문제를 해결하기 위해 신규 자전거 공유 정류장의 출퇴근 수요를 예측하는 데 초점을 맞춘다.
• 시간적 순서에 의존하지 않고 정류장 간의 복잡한 공간적 상호의존성과 상호작용을 포착하는 공간 회귀 프레임워크를 개발한다.
• 건축 환경 특성과 공간 상관관계가 수요 패턴에 미치는 영향을 드러내어 모델의 해석 가능성을 향상시킨다.
• 장기적인 도시 교통 계획에서 정류장 위치 선정과 용량 계획에 전략적 지침을 제공한다.
• 다년간의 뉴욕 데이터를 활용하여 실제 자전거 공유 시스템 확장 시나리오에서 모델의 효과성을 입증한다.

제안 방법

• 각 타겟 정류장을 중심으로 다수의 국소화된 그래프를 구축하여 스케일링 가능한 방식으로 공간 관계를 모델링한다.
• 정류장 간의 동적 상관관계 가중치를 학습하기 위해 주목적 메커니즘을 적용하여 비선형 공간 상호작용을 포착한다.
• 각 정류장의 노드 특성으로 다중 소스 도시 건축 환경 특성(예: 용도 지정, 인구, POI 등)을 통합한다.
• GNN을 전통적인 공간 회귀 프레임워크와 연결하는 일반화된 공간 회귀 모델로 문제를 설정한다.
• 역사적 수요 데이터와 도시 특성을 사용하여 모델을 훈련시키며, 손실 함수로 RMSE와 R² 지표를 최적화한다.
• 실제 확장 시나리오를 시뮬레이션하기 위해 K=6개월, T=6개월의 단순화된 평가 설정을 사용한다.

실험 결과

연구 질문

• RQ1 시스템 확장 과정에서 새로운 자전거 공유 정류장을 대상으로 하는 GNN 기반 모델이 순차적 딥러닝 모델을 능가할 수 있는가?
• RQ2 시간적 수요 순서에 의존하지 않고도 모델이 정류장 간의 공간적 의존성과 상호작용을 얼마나 잘 포착할 수 있는가?
• RQ3 모델의 주목적 가중치가 건축 환경 특성과 정류장 수요 간의 해석 가능한 관계를 얼마나 잘 드러낼 수 있는가?
• RQ4 특히 기존 네트워크에 포함되지 않은 신규 정류장, 특히 기존 정류장에서 멀리 떨어진 곳의 수요 예측에서 모델의 성능은 어떠한가?
• RQ5 시스템 기초 구조가 변화하고 데이터 희소성이 높은 장기적 계획 시나리오에 모델이 일반화될 수 있는가?

주요 결과

• 제안된 Spatial-MGAT 모델은 새로운 정류장 예측에서 R²=0.783, 기존 정류장에서는 R²=0.848을 기록하며, DDP-Exp(R²=0.325 및 0.621)와 MOHER(R²=0.663 및 0.653)를 크게 능가한다.
• 특히 기존 정류장에서 멀리 떨어져 있고 데이터 희소성이 높은 신규 정류장에 대해서도 뛰어난 강건성을 보이며, 순차적 모델이 근처 역사적 데이터 부족으로 실패하는 상황에서도 유의미한 성능 유지를 한다.
• 모델의 주목적 가중치는 근처 정류장과 POI 집합지역의 영향과 같은 의미 있는 공간 상관관계를 드러내어 기획자들에게 해석 가능성을 향상시킨다.
• 순차적 모델이 안정된 네트워크 구성 조건을 가정하는 데 반해, 모델의 성능은 시스템 기초 구조 변화 상황에서도 유지된다.
• 이 접근법은 해석 가능성이 뛰어나며, 특히 인구 밀도와 혼합 용도 개발과 같은 수요를 이끄는 핵심 건축 환경 특성을 식별함으로써 전략적 의사결정을 지원할 수 있다.
• 연구는 GNN이 전통적인 공간 통계와 딥러닝을 연결하는 일반화된 공간 회귀 모델로 효과적으로 프레임될 수 있음을 확인한다.