[논문 리뷰] Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation

Lingbo Liu, Yuying Zhu외 4명|arXiv (Cornell University)|2021. 07. 02.

Traffic Prediction and Management Techniques인용 수 8

한 줄 요약

이 논문은 온라인 지하철 원-도착(OD) 예측을 위한 새로운 이종 정보 집계 기계(HIAM)를 제안하며, 이중 정보 트랜스포머를 통해 불완전한 OD 행렬, 미완성 주문 벡터, DO 행렬을 동시에 모델링하여 OD-DO 인과관계를 포착한다. 이 방법은 두 개의 대규모 벤치마크에서 최신 기술 성능을 달성하여 압축된 행렬에서 DO 승객 수 예측의 MAPE를 14.04%로, OD 승객 수 예측의 MAPE를 13.31%로 감소시켰다.

ABSTRACT

Metro origin-destination prediction is a crucial yet challenging time-series analysis task in intelligent transportation systems, which aims to accurately forecast two specific types of cross-station ridership, i.e., Origin-Destination (OD) one and Destination-Origin (DO) one. However, complete OD matrices of previous time intervals can not be obtained immediately in online metro systems, and conventional methods only used limited information to forecast the future OD and DO ridership separately. In this work, we proposed a novel neural network module termed Heterogeneous Information Aggregation Machine (HIAM), which fully exploits heterogeneous information of historical data (e.g., incomplete OD matrices, unfinished order vectors, and DO matrices) to jointly learn the evolutionary patterns of OD and DO ridership. Specifically, an OD modeling branch estimates the potential destinations of unfinished orders explicitly to complement the information of incomplete OD matrices, while a DO modeling branch takes DO matrices as input to capture the spatial-temporal distribution of DO ridership. Moreover, a Dual Information Transformer is introduced to propagate the mutual information among OD features and DO features for modeling the OD-DO causality and correlation. Based on the proposed HIAM, we develop a unified Seq2Seq network to forecast the future OD and DO ridership simultaneously. Extensive experiments conducted on two large-scale benchmarks demonstrate the effectiveness of our method for online metro origin-destination prediction. Our code is resealed at https://github.com/HCPLab-SYSU/HIAM.

연구 동기 및 목표

• 실시간으로 완전한 역간 이동(OD) 행렬을 확보할 수 없는 온라인 지하철 원-도착 예측 문제를 해결하기 위해.
• 불완전한 OD 행렬과 미완성 주문 벡터를 포함한 이종 역사 정보를 활용하여 OD와 DO 승객 수를 동시에 모델링하기 위해.
• 서로 다른 특징 간 상호 전파를 통해 OD와 DO 승객 수 패턴 간 인과관계 및 상관관계를 포착하기 위해.
• 상위-k 관련 역과 나머지 역을 통합한 요약된 표현으로 희소한 OD/DO 행렬을 압축하여 일반화 능력을 향상시키고 예측 정확도를 향상시키기 위해.
• 제안된 HIAM 모듈을 핵심 모듈로 사용하여 향후 OD 및 DO 승객 수를 동시에 예측하는 통합 Seq2Seq 프레임워크를 개발하기 위해.

제안 방법

• 이종 정보 집계 기계(HIAM)는 불완전한 OD 행렬, 미완성 주문 벡터, DO 행렬의 세 가지 데이터 스트림을 통합하여 교차 역 간 이동 패턴을 모델링한다.
• OD 모델링 브랜치는 미완성 주문의 잠재적 목적지를 명시적으로 추정하여 불완전한 OD 행렬 정보를 풍부하게 한다.
• DO 모델링 브랜치는 DO 행렬을 처리하여 외부 승객의 공간-시간 패턴을 학습한다.
• 이중 정보 트랜스포머는 OD 및 DO 특징 간 상호 정보를 전파하여 그들의 인과관계와 상관관계를 모델링한다.
• 모델은 희소 데이터에서 일반화 능력을 향상시키기 위해 낮은 승객 수를 기록하는 역들을 하나의 '나머지' 카테고리로 통합하는 행렬 압축을 사용한다.
• 통합된 Seq2Seq 네트워크는 HIAM을 핵심 모듈로 사용하여 끝내기로 훈련되어 향후 OD 및 DO 행렬을 동시에 예측한다.

실험 결과

연구 질문

• RQ1 불완전한 OD 행렬과 DO 행렬을 동시에 모델링하면 온라인 지하철 원-도착 예측 정확도가 향상되는가?
• RQ2 완전한 OD 행렬이 확보되지 않은 상황에서 미완성 주문 벡터를 통합하면 OD 패턴 학습에 어떤 영향을 미치는가?
• RQ3 OD-DO 인과관계 및 상관관계를 얼마나 잘 포착하면 예측 성능 향상에 기여하는가?
• RQ4 희소한 OD/DO 행렬을 상위-k 역과 통합된 나머지 역으로 압축하면 모델의 일반화 능력 향상과 오차 감소에 기여하는가?
• RQ5 온라인 지하철 시스템에서 향후 OD/DO 승객 수를 예측하기 위해 최적의 입력 시퀀스 길이는 얼마인가?

주요 결과

• 압축된 행렬을 사용할 경우 SHMOD 데이터셋에서 DO 승객 수 예측의 MAPE는 14.04%, OD 승객 수 예측의 MAPE는 13.31%를 기록하여 원자료 희소 행렬을 사용하는 모델보다 유의미하게 뛰어난 성능을 달성한다.
• 행렬 압축은 약한 관련성을 가진 역의 MAPE를 80% 이상에서 약 14%로 감소시켜 희소성 처리에 효과적임을 입증한다.
• 압축되지 않은 약한 관련성 역 데이터를 포함할 경우 상위-k 역에서 성능이 악화되며, MAPE는 압축된 경우 48.33%에서 압축되지 않은 경우 49.17%로 상승한다.
• 최적의 입력 시퀀스 길이는 네 개의 시간 간격(60분)이며, 이보다 더 긴 시퀀스는 성능 향상에 기여하지 않으며 대부분의 승객이 이 시간 창 내에 여정을 완료한다(상하이: 87.10%, 杭州: 96.54%).
• 이중 정보 트랜스포머는 효과적으로 OD-DO 상관관계를 포착하며, HIAM 모듈은 모든 예측 시간 창에서 SHMOD 및 HZMOD 데이터셋에서 베이스라인을 초월하는 성능을 보였다.
• 이 방법은 두 개의 대규모 지하철 벤치마크에서 최신 기술 성능을 달성하여 실시간 온라인 예측에 효과적임을 입증한다.