[논문 리뷰] Dynamic Planning of Bicycle Stations in Dockless Public Bicycle-sharing System Using Gated Graph Neural Network

Jianguo Chen, Kenli Li외 3명|arXiv (Cornell University)|2021. 01. 19.

Urban Transport and Accessibility참고 문헌 33인용 수 4

한 줄 요약

이 논문은 도킹이 없는 공공 자전거 공유 시스템을 위한 동적 자전거 주차장 계획(BSDP) 시스템을 제안한다. 이 시스템은 Gated Graph Neural Network(GGNN)을 사용하여 최적의 주차장 레이아웃을 예측한다. 내림표 지점들을 군집화하고, 이를 시간에 따라 변화하는 가중 방향 그래프로 모델링하며, 그래프 시퀀스 데이터를 학습함으로써 높은 예측 정확도(0.91의 AUC)를 달성한다. 이는 동적이고 수익 최적화되며 도시 관리 정책에 부합하는 주차장 계획을 가능하게 한다.

ABSTRACT

Benefiting from convenient cycling and flexible parking locations, the Dockless Public Bicycle-sharing (DL-PBS) network becomes increasingly popular in many countries. However, redundant and low-utility stations waste public urban space and maintenance costs of DL-PBS vendors. In this paper, we propose a Bicycle Station Dynamic Planning (BSDP) system to dynamically provide the optimal bicycle station layout for the DL-PBS network. The BSDP system contains four modules: bicycle drop-off location clustering, bicycle-station graph modeling, bicycle-station location prediction, and bicycle-station layout recommendation. In the bicycle drop-off location clustering module, candidate bicycle stations are clustered from each spatio-temporal subset of the large-scale cycling trajectory records. In the bicycle-station graph modeling module, a weighted digraph model is built based on the clustering results and inferior stations with low station revenue and utility are filtered. Then, graph models across time periods are combined to create a graph sequence model. In the bicycle-station location prediction module, the GGNN model is used to train the graph sequence data and dynamically predict bicycle stations in the next period. In the bicycle-station layout recommendation module, the predicted bicycle stations are fine-tuned according to the government urban management plan, which ensures that the recommended station layout is conducive to city management, vendor revenue, and user convenience. Experiments on actual DL-PBS networks verify the effectiveness, accuracy and feasibility of the proposed BSDP system.

연구 동기 및 목표

• 도킹이 없는 공공 자전거 공유(DL-PBS) 시스템에서 비효율적이고 중복적이며 제대로 관리되지 않는 자전거 주차장 배치 문제를 해결한다.
• 기존 시스템의 정적이고 경험 기반의 주차장 계획의 한계를 극복하기 위해 실시간이고 대규모의 궤적 데이터를 활용한다.
• 변화하는 도시 수요 패턴에 적응하는 동적이고 데이터 기반의 시스템을 개발하여 공급업체 수익성과 도시 관리 목표를 동시에 지원한다.
• 미래의 자전거 주차장 위치와 이용량을 정확히 예측하여 최적의 배치 및 배차 전략을 안내한다.

제안 방법

• 스팸-시계열 궤적 데이터에서 대규모 자전거 하차 지점을 DADC 알고리즘을 사용해 군집화하여 후보 주차장 위치를 식별한다.
• 군집화 결과를 바탕으로 가중 방향 그래프 모델을 구축하고, 낮은 수익과 낮은 기여도를 보이는 주차장을 걸러내어 모델의 관련성을 향상시킨다.
• 시간 간격 간 그래프 모델을 통합하여 시간에 따른 주차장 이용 패턴의 변화를 포착하는 그래프 시퀀스 모델을 구성한다.
• 그래프 시퀀스 데이터를 기반으로 Gated Graph Neural Network(GGNN)을 학습시켜 시간적 종속성을 학습하고 미래의 주차장 위치 및 수요를 예측한다.
• 정부의 도시 관리 계획을 바탕으로 예측된 주차장 레이아웃을 정밀 조정하여 실행 가능성, 합법성, 도시 계획과의 일치성을 확보한다.
• 최종적으로 추천된 레이아웃을 자전거 배차, 궤적 추적, 고장 탐지 등의 후속 응용에 활용한다.

실험 결과

연구 질문

• RQ1 대규모 스파티오-타임리얼 자전거 궤적 데이터는 어떻게 실질적인 후보 주차장 위치로 효과적으로 변환될 수 있는가?
• RQ2 도킹이 없는 시스템에서 시간에 따라 변화하는 자전거 주차장 이용 패턴을 가장 잘 포착할 수 있는 그래프 기반 모델링 접근법은 무엇인가?
• RQ3 Gated Graph Neural Network(GGNN)은 다른 모델(GCN, GNN, LSTM 등)에 비해 미래의 자전거 주차장 위치 예측에서 어느 정도 뛰어난 성능을 보일 수 있는가?
• RQ4 예측된 주차장 레이아웃은 도시 관리 정책과 어떻게 조율할 수 있으며, 이는 서비스 품질과 공급업체 수익을 극대화하는 데 어떻게 기여하는가?

주요 결과

• DADC 군집화 방법은 DPC와 DBSCAN을 능가하여 평균 AUC 0.82를 기록했으며, 데이터 양이 증가할수록 성능 향상이著명했다.
• GGNN 모델은 비교된 모든 모델 중에서 가장 높은 예측 정확도를 기록했으며, 100회 학습 반복 후 평균 AUC 0.91을 달성했고, GNN(0.83), GCN(0.80), LSTM(0.71)을 모두 초월했다.
• GGNN는 가장 빠른 수렴 속도와 가장 낮은 오차를 보였으며, 100회 반복 후 최소 평균 RMSE 0.13을 기록했고, GNN(0.26), GCN(0.29), LSTM(0.33)보다 유의미하게 낮았다.
• BSDP 시스템은 실행 가능하고 수익 최적화되며 도시 정책에 부합하는 주차장 레이아웃을 성공적으로 생성하여 실용성과 통합 잠재력을 입증했다.
• 실제 도시 관리 영역의 DL-PBS 데이터셋을 처리할 수 있는 능력은 시스템의 확장성과 강건성을 입증한다.
• 권장 단계에 정부의 도시 계획 제약 조건을 통합함으로써 제안된 레이아웃가 운영 가능하고 정책 준수 성격을 갖추게 되었다.