[논문 리뷰] Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for Short-Term Forecasting of Transit Passenger Flow

Yuxin He, Lishuai Li외 2명|arXiv (Cornell University)|2021. 07. 28.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

이 논문은 다중 그래프 컨볼루션 네트워크와 LSTM 기반의 seq2seq 아키텍처를 통합하여 공간적 종속성, 시간적 동적 변화 및 이질적인 역간 상관관계를 포착함으로써 단기 대중교통 승객 유동 예측을 위한 딥러닝 모델인 MGC-RNN을 제안한다. 선진화된 모델들과 비교하여 본 논문은 선진화된 성능을 입증하였으며, 다중 소스 데이터 융합을 통해 복잡한 시공간 패턴을 효과적으로 모델링할 수 있음을 보여준다.

ABSTRACT

Short-term forecasting of passenger flow is critical for transit management and crowd regulation. Spatial dependencies, temporal dependencies, inter-station correlations driven by other latent factors, and exogenous factors bring challenges to the short-term forecasts of passenger flow of urban rail transit networks. An innovative deep learning approach, Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) is proposed to forecast passenger flow in urban rail transit systems to incorporate these complex factors. We propose to use multiple graphs to encode the spatial and other heterogenous inter-station correlations. The temporal dynamics of the inter-station correlations are also modeled via the proposed multi-graph convolutional-recurrent neural network structure. Inflow and outflow of all stations can be collectively predicted with multiple time steps ahead via a sequence to sequence(seq2seq) architecture. The proposed method is applied to the short-term forecasts of passenger flow in Shenzhen Metro, China. The experimental results show that MGC-RNN outperforms the benchmark algorithms in terms of forecasting accuracy. Besides, it is found that the inter-station driven by network distance, network structure, and recent flow patterns are significant factors for passenger flow forecasting. Moreover, the architecture of LSTM-encoder-decoder can capture the temporal dependencies well. In general, the proposed framework could provide multiple views of passenger flow dynamics for fine prediction and exhibit a possibility for multi-source heterogeneous data fusion in the spatiotemporal forecast tasks.

연구 동기 및 목표

• 도시 철도 운행 시스템에서 단기 승객 유동 예측 문제를 해결하기 위해, 공간적 종속성, 시간적 동적 변화 및 이질적인 역간 상관관계로 인해 복잡해지는 문제를 다루는 것.
• 네트워크 거리, 구조적 레이아웃 및 최근 유동 패턴과 같은 외생 요인을 예측 프레임워크에 통합하는 것.
• 모든 역에서 다중 시간 단계에 걸쳐 동시에 도착 및 출발 유량을 예측할 수 있는 통합된 딥러닝 모델을 개발하는 것.
• 향상된 시공간 예측 성능를 위한 다중 소스 이질적 데이터 융합을 가능하게 하는 것.

제안 방법

• 모델은 네트워크 거리, 지리적 구조, 최근 유동 패턴 기반의 다양한 종류의 역간 상관관계를 인코딩하기 위해 다중 그래프를 활용한다.
• 다중 그래프 컨볼루션 레이어는 이러한 서로 다른 그래프 구조에서 공간적 특징을 집계하여 이질적인 공간적 종속성을 포착한다.
• LSTM 유닛을 활용한 인코더-디코더 아키텍처는 시간 단계 간 승객 유동의 시간적 동적 변화를 모델링한다.
• seq2seq 프레임워크를 통해 다중 미래 시간 단계에 걸쳐 모든 역의 도착 및 출발 유량을 동시에 엔드 투 엔드로 예측할 수 있다.
• 모델은 역사적 승객 유동 시계열의 예측 오차를 최소화하기 위해 시퀀스 투 시퀀스 손실 함수를 사용하여 엔드 투 엔드로 훈련된다.
• 역 위치 및 유동력력 역사와 같은 외생 요소는 임bedding 처리되어 그래프 구축 및 특징 학습 과정에 통합된다.

실험 결과

연구 질문

• RQ1 네트워크 거리, 지리적 구조, 최근 유동 패턴과 같은 다수의 이질적 공간 관계는 승객 유동 예측에서 어떻게 효과적으로 모델링될 수 있는가?
• RQ2 LSTM 기반의 인코더-디코더 아키텍처는 승객 유동 시계열에서 장기적 시간적 종속성을 어느 정도 효과적으로 포착할 수 있는가?
• RQ3 다중 그래프 통합은 단일 그래프 또는 비그래프 기반 모델 대비 예측 정확도 향상에 기여하는가?
• RQ4 역 간 거리 및 역사적 유동 패턴과 같은 외생 요소는 역간 상관관계와 예측 성능에 어떤 영향을 미치는가?
• RQ5 예측 정확도에 기여하는 공간적 상관관계의 유형들(예: 구조적 vs. 유동 기반) 간 상대 기여도는 어떻게 되는가?

주요 결과

• MGC-RNN은 실제 선전 지하철 데이터 기반으로 GCN-LSTM, ST-ResNet 및 트랜스포머 기반 모델과 같은 벤치마크 모델들보다 높은 예측 정확도를 확보하였다.
• 모델은 네트워크 거리, 네트워크 구조 및 최근 유동 패턴에 기반한 역간 상관관계가 향후 승객 유동의 중요한 예측 변수임을 입증하였다.
• LSTM 인코더-디코더 아키텍처는 승객 유동 시계열의 장기적 시간적 종속성을 효과적으로 포착함을 보였다.
• 다양한 공간적 관계를 단순한 인접성 이상으로 모델링함으로써 다중 그래프의 사용이 성능 향상에 크게 기여하였다.
• 다양한 시각에서 승객 유동 역학을 분석할 수 있는 프레임워크를 제공하였으며, 별도의 그래프 주의 메커니즘을 통해 설명 가능성(해석 가능성)을 확보하였다.
• 모델은 시공간 예측 과제에서 다중 소스 이질적 데이터 융합에 강력한 잠재력을 보였다.