[논문 리뷰] Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction

Lingbo Liu, Jingwen Chen외 4명|arXiv (Cornell University)|2020. 01. 14.

Traffic Prediction and Management Techniques참고 문헌 75인용 수 20

한 줄 요약

이 논문은 물리적, 유사도, 상관관계 그래프를 활용하여 공간-시간 패턴을 포착하는 물리-가상 협업 그래프 신경망(PVCGN)을 제안한다. Seq2Seq 아키텍처 내에서 그래프 컨volution 게이팅 순환 단위(GC-GRU)와 완전 연결 게이팅 순환 단위(FC-GRU)를 통합함으로써 상하이 및 항저우 지하철 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, 온라인 출발지-도착지(OD) 예측에서 기준 방법 대비 MAPE를 28.7% 감소시켰다.

ABSTRACT

Due to the widespread applications in real-world scenarios, metro ridership prediction is a crucial but challenging task in intelligent transportation systems. However, conventional methods either ignore the topological information of metro systems or directly learn on physical topology, and cannot fully explore the patterns of ridership evolution. To address this problem, we model a metro system as graphs with various topologies and propose a unified Physical-Virtual Collaboration Graph Network (PVCGN), which can effectively learn the complex ridership patterns from the tailor-designed graphs. Specifically, a physical graph is directly built based on the realistic topology of the studied metro system, while a similarity graph and a correlation graph are built with virtual topologies under the guidance of the inter-station passenger flow similarity and correlation. These complementary graphs are incorporated into a Graph Convolution Gated Recurrent Unit (GC-GRU) for spatial-temporal representation learning. Further, a Fully-Connected Gated Recurrent Unit (FC-GRU) is also applied to capture the global evolution tendency. Finally, we develop a Seq2Seq model with GC-GRU and FC-GRU to forecast the future metro ridership sequentially. Extensive experiments on two large-scale benchmarks (e.g., Shanghai Metro and Hangzhou Metro) well demonstrate the superiority of our PVCGN for station-level metro ridership prediction. Moreover, we apply the proposed PVCGN to address the online origin-destination (OD) ridership prediction and the experiment results show the universality of our method. Our code and benchmarks are available at https://github.com/HCPLab-SYSU/PVCGN.

연구 동기 및 목표

• 기존의 지하철 승하차 수요 예측 방법이 위상적 구조를 忽시하거나 오직 물리적 위상에 의존하는 한계를 해결하기 위해.
• 승하차 흐름의 유사도와 상관관계에서 파생된 물리적 및 가상 위상을 통합하여 복잡한 승하차 수요 변화 패턴을 모델링하기 위해.
• 국소적 공간적 의존성과 전역적 시간적 추세를 동시에 포착할 수 있는 통합된 그래프 신경망 프레임워크를 개발하기 위해.
• 실세계 지하철 데이터셋에서 방법을 평가하고, 온라인 출발지-도착지(OD) 승하차 수요 예측으로 응용을 확장하기 위해.
• 제안된 방법이 다양한 지하철 시스템과 예측 시나리오에 걸쳐 일반성과 강건성을 입증하기 위해.

제안 방법

• 물리적 그래프는 실제 지하철 위상 구조를 기반으로 하여 직접 연결된 정류장 간의 관계를 유지한다.
• 유사도 그래프는 정류장 간의 역학적 흐름 유사도를 사용하여, 기능적으로 유사하지만 인접하지 않은 정류장 간의 가상 연결을 구축한다.
• 상관관계 그래프는 정류장 간 흐름 상관관계를 기반으로 하여 물리적 인접성을 초월한 방향성 흐름 의존성을 포착한다.
• 이 세 가지 그래프는 그래프 컨볼루션 게이팅 순환 단위(GC-GRU)에 통합되어 공간-시간 표현 학습을 공동으로 수행한다.
• 완전 연결 게이팅 순환 단위(FC-GRU)는 모든 정류장에 걸쳐 전역적인 승하차 수요 변화 추세를 모델링하는 데 사용된다.
• Seq2Seq 아키텍처는 GC-GRU와 FC-GRU를 조합하여 각 정류장의 향후 승하차 수요를 순차적으로 예측한다.

실험 결과

연구 질문

• RQ1 통합된 그래프 신경망 프레임워크가 물리적 및 가상 위상을 효과적으로 모델링하여 지하철 승하차 수요 예측 성능을 향상시킬 수 있는가?
• RQ2 유사도 및 상관관계 기반의 가상 그래프가 물리적 위상에만 의존하는 것에 비해 예측 성능을 얼마나 향상시키는가?
• RQ3 부분적인 데이터가 있는 상황에서 제안된 PVCGN이 온라인 출발지-도착지(OD) 승하차 수요 예측에 얼마나 일반화될 수 있는가?
• RQ4 공간 모델링(GC-GRU를 통한)과 전역 추세 모델링(FC-GRU를 통한)이 전체 예측 정확도에 기여하는 비율은 어느 정도인가?
• RQ5 실세계 지하철 데이터셋에서 PVCGN이 RMSE, MAE, MAPE 측면에서 최신 기술 수준의 기준 방법들과 비교해 어떻게 성능을 내는가?

주요 결과

• PVCGN는 상하이 및 항저우 지하철과 같은 두 개의 대규모 지하철 벤치마크에서 최신 기술 수준의 성능을 달성하였으며, 모든 평가 지표에서 기존 방법들을 능가한다.
• 온라인 OD 승하차 수요 예측 과제에서 PVCGN은 네 번째 시간 간격에 MAPE를 24.52%로 낮추었으며, 역사 평균 기준 방법 대비 28.7%의 상대적 향상률을 기록하였다.
• 물리적, 유사도, 상관관계 그래프의 통합은 공간 표현 학습을 크게 향상시켜 비국소적 승하차 패턴을 더 잘 포착할 수 있도록 하였다.
• FC-GRU 구성요소는 전역 시간적 추세를 효과적으로 모델링하여 장기 예측 정확도 향상에 기여하였다.
• 검증된 바와 같이, 이 방법은 다양한 지하철 시스템과 예측 시나리오에서 일관된 성능을 보이며 뛰어난 일반화 능력을 입증하였다.
• 제거 실험 결과, 유사도 및 상관관계 기반 가상 위상(유사도 그래프 및 상관관계 그래프)이 최적 성능을 내기 위해 필수적임을 확인하였으며, 물리적 위상만으로는 부족함을 입증하였다.