[논문 리뷰] Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network

Jintao Ke, Xiaoran Qin외 4명|arXiv (Cornell University)|2019. 10. 17.

Transportation and Mobility Innovations참고 문헌 43인용 수 208

한 줄 요약

이 논문은 공간-시간 인코더-디코더 프레임워크와 잔차 다중그래프 컨볼루션 네트워크를 활용한 딥러닝 모델 ST-ED-RMGC를 제안한다. 이 모델은 지리적, 기능적, 수요 상관관계를 반영한 다중 OD 그래프를 구성하고, 이를 LSTM을 통해 시간적 모델링과 결합함으로써 맨해튼 데이터 기준 기존 방법 대비 MAPE를 22% 감소시키는 최신 기술 수준의 성능을 달성한다.

ABSTRACT

With the rapid development of mobile-internet technologies, on-demand ride-sourcing services have become increasingly popular and largely reshaped the way people travel. Demand prediction is one of the most fundamental components in supply-demand management systems of ride-sourcing platforms. With accurate short-term prediction for origin-destination (OD) demand, the platforms make precise and timely decisions on real-time matching, idle vehicle reallocations and ride-sharing vehicle routing, etc. Compared to zone-based demand prediction that has been examined by many previous studies, OD-based demand prediction is more challenging. This is mainly due to the complicated spatial and temporal dependencies among demand of different OD pairs. To overcome this challenge, we propose the Spatio-Temporal Encoder-Decoder Residual Multi-Graph Convolutional network (ST-ED-RMGC), a novel deep learning model for predicting ride-sourcing demand of various OD pairs. Firstly, the model constructs OD graphs, which utilize adjacent matrices to characterize the non-Euclidean pair-wise geographical and semantic correlations among different OD pairs. Secondly, based on the constructed graphs, a residual multi-graph convolutional (RMGC) network is designed to encode the contextual-aware spatial dependencies, and a long-short term memory (LSTM) network is used to encode the temporal dependencies, into a dense vector space. Finally, we reuse the RMGC networks to decode the compressed vector back to OD graphs and predict the future OD demand. Through extensive experiments on the for-hire-vehicles datasets in Manhattan, New York City, we show that our proposed deep learning framework outperforms the state-of-arts by a significant margin.

연구 동기 및 목표

• 복잡한 공간-시간 의존성으로 인해 존 기반 수요 예측보다 더 복잡한 원천-목적지(OD) 릴레이스어싱 수요 예측의 과제를 해결한다.
• 근접도, 기능 유사성, 거리, 역사적 수요 패턴 기반의 다중 그래프 구조를 활용해 비유클리드 공간 상의 OD 쌍 간 상관관계를 모델링한다.
• OD 쌍 간 공간적 의존성과 각 OD 쌍 내의 시간적 동역학을 동시에 캡처하는 엔드 투 엔드 인코더-디코더 프레임워크를 개발한다.
• 차량 재할당, 딜리버리, 공유 릴레이스어싱 최적화를 위한 정확한 단기 OD 수요 예측을 가능하게 하여 릴레이스어싱 플랫폼의 실시간 의사결정을 향상시킨다.

제안 방법

• 각 OD 쌍을 노드로 삼고, 지리적 근접도, 기능 유사성, 거리, 역사적 수요 상관관계 등을 인코딩한 인접 행렬을 활용해 다중 OD 그래프를 구성한다.
• 구축된 OD 그래프에서 맥락 인식 공간 의존성을 추출하기 위해 잔차 다중그래프 컨볼루션(RMGC) 네트워크를 설계한다.
• 개별 OD 쌍의 시간적 동역학을 모델링하기 위해 장단기 기억(LSTM) 네트워크를 통합한다.
• 인코더-디코더 아키텍처를 구현한다: RMGC 및 LSTM 네트워크가 공간적 및 시간적 특징을 조밀한 잠재 벡터 공간으로 인코딩하고, 이를 동일한 RMGC 레이어를 사용해 향후 수요 예측을 위해 다시 디코딩한다.
• 실제 릴레이스어싱 차량 데이터를 활용해 맨해튼에서의 데이터를 사용하여 엔드 투 엔드 모델을 훈련시키며, 비영수요 OD 쌍에 중점을 두고 RMSE, MAE, MAPE를 최적화한다.
• 공정한 비교를 위해 모든 베이스라인 모델(XGBoost, LSTM, GCNs 등)의 하이퍼파라미터를 토론하고, 동일한 데이터 분할 및 평가 지표를 사용한다.

실험 결과

연구 질문

• RQ1 지리적, 기능적, 수요 기반의 다각적 공간 상관관계를 모델링할 경우, 단일 구조 또는 비그래프 기반 방법 대비 OD 수요 예측 정확도가 향상되는가?
• RQ2 공유 RMGC 레이어를 갖는 제안된 인코더-디코더 아키텍처는 독립적인 인코더 또는 디코더 대비 특징 학습 및 예측 성능 향상에 얼마나 기여하는가?
• RQ3 잔차 연결 및 다중그래프 컨볼루션의 통합이 복잡한 비유클리드 공간 의존성을 모델링하는 데 어떻게 기여하는가?
• RQ4 ST-ED-RMGC 모델은 도시 이동성의 다양한 시간적 및 공간적 패턴에서 단기 OD 수요 예측에서 최신 기술 수준의 방법들을 뛰어넘는가?

주요 결과

• ST-ED-RMGC 모델은 비영수요 OD 쌍에서 MAPE 0.38을 달성하여 두 번째로 우수한 베이스라인인 Spatial LSTM(MAPE = 0.42) 대비 22% 상대적 향상을 보였다.
• 그래프 기반 모델(MGC, RMGC, ST-ED-RMGC)은 전통적 머신러닝 및 표준 딥러닝 모델(XGBoost, MLP, LSTM)보다 뚜렷이 우수한 성능을 보이며, 공간 상관관계 모델링의 중요성을 입증했다.
• RMGC 네트워크의 잔차 블록은 표준 MGC 대비 약간의 이득을 제공하며, 기울기 흐름 향상과 특징 학습 안정성 향상을 보여주었다.
• 인코더-디코더 아키텍처는 RMGC 베이스라인(MAPE 0.40 대비 0.38) 대비 성능을 추가로 향상시켰으며, 공간적 및 시간적 특징의 동시 인코딩과 디코딩이 예측 일반화 능력을 향상시킨다는 점을 보여주었다.
• 시각적 분석 결과, 모델은 상업 지역으로의 아침 출퇴근 패턴과 저녁 귀가 패턴과 같은 복잡한 인간 이동 패턴을 낮은 상대 오차로 정확히 포착함을 확인했다.
• 모델는 다양한 일자에 걸친 다중 피크 및 비정규 수요 패턴과 같은 시간적 변동성도 효과적으로 처리했으며, 기준선 대비 과도하거나 부족하게 반응하는 것을 피하며 우수한 성능을 보였다.