[논문 리뷰] Likelihood-free parameter estimation for dynamic queueing networks: case study of passenger flow in an international airport terminal

Anthony Ebert, Ritabrata Dutta외 4명|arXiv (Cornell University)|2018. 04. 07.

Markov Chains and Monte Carlo Methods참고 문헌 38인용 수 5

한 줄 요약

이 논문은 최대 평균 차이(MMD)를 거리 척도로 사용하는 근사 베이지안 계산(ABC)을 활용하여, 가능도 계산이 불가능한 동적 큐잉 네트워크(DQNs)에 대한 베이지안 매개변수 추정 프레임워크를 제안한다. 큐 탈출 계산(QDC)을 활용한 가속화된 시뮬레이션을 통해, 복잡한 공항 여객 흐름 모델에서 정확한 추론과 불확실성 정량화를 가능하게 하며, 데이터가 불완전한 경우에도 견고한 예측 구간을 제공한다.

ABSTRACT

Dynamic queueing networks (DQN) model queueing systems where demand varies strongly with time, such as airport terminals. With rapidly rising global air passenger traffic placing increasing pressure on airport terminals, efficient allocation of resources is more important than ever. Parameter inference and quantification of uncertainty are key challenges for developing decision support tools. The DQN likelihood function is, in general, intractable and current approaches to simulation make likelihood-free parameter inference methods, such as approximate Bayesian computation (ABC), infeasible since simulating from these models is computationally expensive. By leveraging a recent advance in computationally efficient queueing simulation, we develop the first parameter inference approach for DQNs. We demonstrate our approach with data of passenger flows in a real airport terminal, and we show that our model accurately recreates the behaviour of the system and is useful for decision support. Special care must be taken in developing the distance for ABC since any useful output must vary with time. We use maximum mean discrepancy, a metric on probability measures, as the distance function for ABC. Prediction intervals of performance measures for decision support tools are easily constructed using draws from posterior samples, which we demonstrate with a scenario of a delayed flight.

연구 동기 및 목표

• 가능도 계산이 불가능한 동적 큐잉 네트워크(DQNs)의 매개변수 추정 문제를 해결함. 특히 실제 공항 운영 환경에서의 도전 과제를 다룸.
• 표준 방법 대비 100배 이상 빠른 시뮬레이션을 가능하게 하는 큐 탈출 계산(QDC)을 활용하여, DQNs에 대한 ABC의 계산 불가능성을 해결함.
• 시간에 따라 변화하는 여객 흐름 데이터의 특성을 반영한 강력한 거리 척도를 개발하기 위해 최대 평균 차이(MMD)를 활용함.
• 공항 터미널 운영 관리의 의사결정 지원을 위해 성능 측정치(예: 대기 시간, 대기 길이)의 불확실성 정량화를 가능하게 함.
• 실제 국제 공항 터미널의 여객 흐름 데이터를 기반으로 프레임워크를 검증하여 정확한 모델 校정과 예측 성능을 입증함.

제안 방법

• 큐 탈출 계산(QDC)을 활용해 표준 방법 대비 최대 100배 빠른 속도로 DQN 실현값을 시뮬레이션함으로써 대규모 ABC를 가능하게 함.
• 관측된 여객 흐름 궤적과 시뮬레이션된 여객 흐름 궤적을 비교하기 위해 최대 평균 차이(MMD) 기반의 맞춤형 거리 함수를 사용하는 근사 베이지안 계산(ABC)을 적용함.
• 분당 관측 여객 수를 기능 데이터로 간주하고, 관측된 흐름 데이터와 시뮬레이션된 흐름 데이터의 확률 측도 간의 거리를 MMD를 통해 계산함.
• ABC 샘플러의 사후 표본을 활용해 성능 측정치(예: 대기 길이, 대기 시간)에 대한 예측 구간을 구축함으로써 의사결정 지원을 가능하게 함.
• 실제 및 시뮬레이션 데이터를 모두 활용해 모델 매개변수를 校정하고, 알려진 참값 하에서 접근법의 타당성을 검증함.
• 시간에 따라 변화하는 데이터를 다루기 위해 ABC 알고리즘을 조정하여 거리 척도가 시간적 동역학을 효과적으로 반영하도록 함.

실험 결과

연구 질문

• RQ1 가능도 계산이 불가능한 DQNs에 대해 ABC와 MMD를 효과적으로 활용할 수 있는가? 고비용임에도 불구하고.
• RQ2 QDC를 사용하면 대규모 DQN(예: 공항 터미널)에 대한 ABC 샘플링을 어떻게 실현 가능하게 하는가?
• RQ3 시간에 따라 변화하는 여객 흐름을 모델링할 때, 기능 데이터에 대한 MMD가 강력하고 정보적인 거리 척도로 기능할 수 있는가?
• RQ4 추론된 모델이 실제 여객 흐름 패턴을 얼마나 잘 재현할 수 있고, 성능 측정치에 대한 신뢰할 수 있는 불확실성 정량화를 제공할 수 있는가?
• RQ5 모델가정 오류 및 자주 발생하는 실공항 데이터셋의 데이터 불완전성 상황에서 이 프레임워크는 어떻게 성능을 발휘하는가?

주요 결과

• QDC 방법을 통해 시뮬레이션 시간이 두 자리 수 이상 감소하여, 대규모 DQNs에 대한 ABC 기반 추론이 실현 가능해짐.
• MMD는 기능 데이터에 대해 효과적인 거리 척도로 입증되었으며, 불완전하고 노이즈가 많은 실제 데이터에서도 정확한 매개변수 추론이 가능함.
• ABC-MMD 프레임워크는 실제 국제 공항 터미널의 관측 여객 흐름 패턴을 성공적으로 재구성하여 강력한 모델 적합도를 입증함.
• 대기 시간, 대기 길이 등 핵심 성능 측정치에 대한 예측 구간은 모델 오차 및 데이터 불완전성 상황에서도 잘 校정됨.
• 모델 매개변수에 대해 현실적인 사후 분포를 생성하여 공항 운영의 불확실성 인식 의사결정 지원이 가능함.
• 이 프레임워크는 최소한의 수정으로 공항 외의 다른 DQN 응용 분야로도 확장 가능함.