[논문 리뷰] Predicting Station-Level Bike-Sharing Demands Using Graph Convolutional Neural Network

Lei Lin, Weizi Li외 1명|arXiv (Cornell University)|2020. 04. 18.

Urban Transport and Accessibility인용 수 9

한 줄 요약

이 논문은 뉴욕 시티의 정류장 수준 시간대별 자전거 공유 수요를 예측하기 위한 데이터 기반 그래프 필터를 갖춘 새로운 그래프 컨volution 신경망(GCNN-DDGF)을 제안한다. 사전에 정의된 인접 행렬이 필요 없이 은닉된 공간 상관관계를 학습하고, 시간 동적성을 포착하기 위해 LSTM을 통합함으로써 GCNN-rec-DDGF 모델은 모든 기준 모델, 즉 사전 정의된 그래프를 갖춘 GCNN과 전통적 모델을 초월하는 최신 기술 수준의 성능을 달성한다.

ABSTRACT

This study proposes a novel Graph Convolutional Neural Network with Data-driven Graph Filter (GCNN-DDGF) model that can learn hidden heterogeneous pairwise correlations among stations to predict station-level hourly demand in a large-scale bike-sharing network. Two architectures of the GCNN-DDGF model are explored: GCNNreg-DDGF is a regular GCNN-DDGF model which contains the convolution and feedforward blocks; GCNNrec-DDGF additionally contains a recurrent block from the Long Short-term Memory neural network to capture temporal dependencies in bike-sharing demand series. Furthermore, four GCNN models are proposed whose adjacency matrices are based on various bike-sharing system data, including Spatial Distance matrix (SD), Demand matrix (DE), Average Trip Duration matrix (ATD), and Demand Correlation matrix (DC). These six GCNN models along with seven other benchmark models are built and compared using the Citi Bike dataset from New York City, which includes 272 stations and over 28 million transactions from 2013 to 2016. Results show that the GCNNrec-DDGF performs the best in terms of the Root Mean Square Error, the Mean Absolute Error, and the coefficient of determination (R2), followed by the GCNNreg-DDGF. They outperform the other models.

연구 동기 및 목표

• 고정형 및 비도킹 자전거 공유 시스템에서 변동하는 공간적·시간적 수요로 인한 정확도 낮은 자전거 공유 수요 예측 문제를 해결한다.
• 사전에 정의된 인접 행렬에 의존하는 기존 GCNN 모델의 한계를 극복한다. 이는 정류장 간 이질적인 공간 상관관계를 포착하지 못할 수 있다.
• 수요 데이터에서 직접 그래프 구조(인접 행렬)를 학습하는 데이터 기반 접근법을 개발하여 예측 정확도를 향상시킨다.
• 장기 기억 순환 신경망(LSTM)을 GCNN 프레임워크에 통합하여 시간대별 자전거 수요 시계열의 시간적 의존성을 모델링한다.
• 대규모 실세계 데이터셋에서 제안된 모델을 다양한 GCNN 변종 및 기준 모델과 비교하여 성능 우월성을 검증한다.

제안 방법

• 사전에 정의된 행렬이 아닌 학습 가능한 파rameter로 인접 행렬을 학습하는 데이터 기반 그래프 필터(DDGF)를 제안한다.
• 정규화된 그래프 필터를 $\hat{A} = \tilde{D}^{-1/2} \tilde{A} \tilde{D}^{-1/2}$ 로 정의하며, 여기서 $\tilde{A}$ 는 학습 가능한 대칭 행렬이므로 공간 상관관계의 엔드 투 엔드 학습이 가능하다.
• 두 가지 아키텍처를 설계한다: 컨볼루션과 피드포워드 블록을 갖는 $\text{GCNN}_{\text{reg}}\text{-DDGF}$ 와 시간 동적성을 모델링하기 위해 LSTM 블록을 추가한 $\text{GCNN}_{\text{rec}}\text{-DDGF}$.
• 이전 $C^0 - 1$ 시간의 수요를 기반으로 한 특징 행렬 $X_i \in \mathbb{R}^{N \times C^0}$ 을 구성하여 다음 시간의 수요 $y_{i+1}$ 를 예측한다.
• 데이터를 0에서 1 사이로 정규화하고, 오전 7시에서 오후 9시 사이의 테스트 데이터에서 RMSE, MAE, $R^2$ 를 사용하여 모델을 평가한다.
• 사전 정의된 인접 행렬을 갖는 6종의 GCNN 모델(예: SD, DE, ATD, DC 포함)과 XGBoost, LSTM, SVR 등의 7종의 기준 모델을 학습하고 비교한다.

실험 결과

연구 질문

• RQ1 사전 정의된 인접 행렬보다 데이터 기반 그래프 필터가 자전거 공유 정류장 간 더 효과적인 공간 상관관계를 학습할 수 있는가?
• RQ2 GCNN 프레임워크에 LSTM 블록을 통합함으로써 시간대별 수요 시계열의 시간적 의존성을 포착함으로써 예측 정확도가 향상되는가?
• RQ3 제안된 GCNN-DDGF 모델은 XGBoost, LSTM, 고정 그래프 구조를 갖춘 GCNN과 같은 최신 기술 수준의 모델과 비교해 어떻게 성능을 냈는가?
• RQ4 기준 GCNN 모델들 중에서 사전 정의된 인접 행렬(SD, DE, ATD, DC) 중 어느 것이 가장 뛰어난 성능을 보였는가? 그 이유는 무엇인가?
• RQ5 그래프 구조의 품질이 자전거 공유 수요 예측에서 GCNN 성능에 얼마나 큰 영향을 미치는가?

주요 결과

• $\text{GCNN}_{\text{rec}}\text{-DDGF}$ 모델은 RMSE 2.12, RMSE (오전 7시–오후 9시) 2.58, MAE 1.26, $R^2$ 0.75 로 가장 뛰어난 성능을 기록하여 모든 다른 모델을 압도했다.
• $\text{GCNN}_{\text{reg}}\text{-DDGF}$ 모델은 두 번째로 높은 성능을 보였으며, DDGF를 통한 공간 상관관계 학습이 고정 인접 행렬보다 성능 향상에 기여함을 입증했다.
• 평균 이동 시간을 인접 행렬로 사용한 GCNN-ATD는 RMSE 3.44, $R^2$ 0.35 로 가장 열악한 성능을 보였으며, 이는 ATD가 그래프 구축에 부적합함을 시사한다.
• XGBoost와 LSTM은 GCNN-DDGF 모델에 이어 뒤따라 성능을 보였지만, 정류장 간 공간 상관관계를 포착하지 못했으며, 이는 그래프 기반 모델링의 중요성을 강조한다.
• GCNN 모델의 성능는 인접 행렬의 품질에 매우 민감함을 확인하였으며, GCNN-DC(최고 성능)와 GCNN-ATD(최악 성능) 간의 성능 격차가 뚜렷했다.
• 데이터 기반 그래프 필터(DDGF)는 수동으로 그래프 구조를 지정할 필요 없이 이질적인 정류장 간 공간 상관관계를 성공적으로 학습하였다.