[논문 리뷰] Potential Passenger Flow Prediction: A Novel Study for Urban Transportation Development

Yongshun Gong, Zhibin Li외 3명|arXiv (Cornell University)|2019. 12. 07.

Traffic Prediction and Management Techniques참고 문헌 22인용 수 4

한 줄 요약

이 논문은 도시 교통 네트워크에서 건설되지 않은 지하철역을 대상으로 잠재 승객 유동량(PPF)을 예측하기 위해 다중 시야 국소화 상관관계 학습 모델(MLC-PPF)을 제안한다. 공간적 근접성, 지역적 특성, 다중 시야 데이터를 활용하여 새로운 지하철역으로의 승객 이동을 예측한다. 제안된 방법은 실세계 데이터셋에서 최신 기술 수준의 성능을 달성하며, 추천 시스템의 쿨스타트 문제를 효과적으로 해결한다.

ABSTRACT

Recently, practical applications for passenger flow prediction have brought many benefits to urban transportation development. With the development of urbanization, a real-world demand from transportation managers is to construct a new metro station in one city area that never planned before. Authorities are interested in the picture of the future volume of commuters before constructing a new station, and estimate how would it affect other areas. In this paper, this specific problem is termed as potential passenger flow (PPF) prediction, which is a novel and important study connected with urban computing and intelligent transportation systems. For example, an accurate PPF predictor can provide invaluable knowledge to designers, such as the advice of station scales and influences on other areas, etc. To address this problem, we propose a multi-view localized correlation learning method. The core idea of our strategy is to learn the passenger flow correlations between the target areas and their localized areas with adaptive-weight. To improve the prediction accuracy, other domain knowledge is involved via a multi-view learning process. We conduct intensive experiments to evaluate the effectiveness of our method with real-world official transportation datasets. The results demonstrate that our method can achieve excellent performance compared with other available baselines. Besides, our method can provide an effective solution to the cold-start problem in the recommender system as well, which proved by its outperformed experimental results.

연구 동기 및 목표

• 건설 이전에 새로운 지하철역 계획을 위한 잠재 승객 유동량(PPF)을 예측하는 새로운 과제에 대응한다.
• 기존 승객 유동량 모델이 알려진 역들에만 집중하고 지역 간 이동 패턴을 忽시하는 한계를 극복한다.
• 기존 사용자나 역사가 없는 신규 역에 대한 선호도를 예측하는 것과 유사한, 쿨스타트 문제에 강건한 방법을 개발한다.
• 공간적, 시간적, 도메인 특화 특징(예: 토지 이용, 인구)을 통합하여 시공간 승객 유동량 예측 정확도를 향상시킨다.
• 모델의 일반화 능력을 입증하기 위해 이론적 전이 가능성(transferability)을 추천 시스템의 쿨스타트 문제에 적용함으로써, 교통 계획 외 영역으로의 적용 가능성을 입증한다.

제안 방법

• 지리적 근접성과 지역적 특성(예: 주거, 상업)을 기반으로 k개 이웃 기반 유사도 행렬을 구성하여 국소화된 공간적 상관관계를 정의한다.
• 목표 지역과 그 k개 이웃 간의 승객 유동량 관계를 적응적으로 학습하는 가중치 기반 상관관계 학습 전략을 적용한다.
• 도시 통계 데이터(예: 인구, 고용, 토지 이용)로부터의 다중 시야 보조 정보를 통합하여 학습 과정을 안내하고 모델 일반화 능력을 향상시킨다.
• 보조 데이터(ABS 데이터)와 학습된 상관관계 구조 간 영향력을 균형 잡기 위해 정규화 항(λ)을 사용하여 강건성을 향상시킨다.
• 다양한 도메인(공간, 시간, 인구통계)의 특징을 공동 최적화하는 다중 시야 학습 문제로 예측 과제를 공식화한다.
• 냉각기 전이 실험에서 집단 행렬 분해 원리를 활용하여, 모델이 교통 분야 외부 환경으로의 적응 능력을 검증한다.

실험 결과

연구 질문

• RQ1 기존 역의 역사적 유동량 자료만을 사용하여 건설되지 않은 신규 지하철역 지역의 승객 유동량을 정확하게 예측할 수 있는가?
• RQ2 공간적 및 시간적 상관관계를 효과적으로 모델링하여 도시 대중교통 네트워크에서 PPF 예측 성능을 향상시킬 수 있는가?
• RQ3 제안된 방법이 교통 계획 및 추천 시스템에서의 쿨스타트 문제를 어느 정도 완화할 수 있는가?
• RQ4 다양한 하이퍼파라미터(예: k, λ)가 예측 성능 및 모델 안정성에 미치는 영향은 어떠한가?
• RQ5 공간적 상관관계 학습에서의 지식 전이를 통해 모델이 다른 도메인, 예를 들어 추천 시스템으로 일반화될 수 있는가?

주요 결과

• MLC-PPF 모델은 실세계 지하철 거래 데이터에서 모든 베이스라인 방법보다 뛰어난 성능을 보이며, 가장 낮은 MAE를 기록한다.
• 냉각기 추천 과제에서 아마존 북 도메인에서 MAE 0.396을 기록하여 CMF(0.834), CDTF(0.755), WITF(0.740)를 크게 앞서며 뛰어난 성능을 입증한다.
• k=2 설정이 최적 성능을 보이며, k가 1에서 5 사이에서 변동하더라도 모델이 강건하게 유지됨을 확인하여 높은 안정성을 입증한다.
• 정규화 인자 λ = 10⁻¹에서 최적 결과를 도출하며, [10⁻⁵, 10⁰] 범위에서 안정된 성능을 유지함으로써 파라미터에 대한 민감도가 낮음을 보여준다.
• 사례 연구 결과, MLC-PPF는 홈버시에서 시드니 하이메킷지역 및 페라마타 로즈힐과 같은 주요 시드니 목적지로의 유동량을 정확하게 예측함을 입증한다.
• 모델은 추천 시스템의 쿨스타트 문제로도 성공적으로 전이되어, 도시 교통 계획을 넘어서 보다 넓은 적용 가능성을 입증한다.