[논문 리뷰] Recurrent Multi-Graph Neural Networks for Travel Cost Prediction

Jilin Hu, Chenjuan Guo외 3명|arXiv (Cornell University)|2018. 11. 13.

Traffic Prediction and Management Techniques참고 문헌 49인용 수 5

한 줄 요약

이 논문은 이동 비용 예측을 위한 희박하고 확률적인 원천-목적지(OD) 행렬을 예측하기 위해 행렬 분해, 그래프 컨volution 네트워크, 순환 네트워크를 결합한 순환 다중그래프 신경망 프레임워크를 제안한다. 이 방법은 데이터 희소성 문제를 효과적으로 다루며 복잡한 시공간 상관관계를 포착하여 두 개의 실세계 택시 데이터셋에서 다양한 지표에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Origin-destination (OD) matrices are often used in urban planning, where a city is partitioned into regions and an element (i, j) in an OD matrix records the cost (e.g., travel time, fuel consumption, or travel speed) from region i to region j. In this paper, we partition a day into multiple intervals, e.g., 96 15-min intervals and each interval is associated with an OD matrix which represents the costs in the interval; and we consider sparse and stochastic OD matrices, where the elements represent stochastic but not deterministic costs and some elements are missing due to lack of data between two regions. We solve the sparse, stochastic OD matrix forecasting problem. Given a sequence of historical OD matrices that are sparse, we aim at predicting future OD matrices with no empty elements. We propose a generic learning framework to solve the problem by dealing with sparse matrices via matrix factorization and two graph convolutional neural networks and capturing temporal dynamics via recurrent neural network. Empirical studies using two taxi datasets from different countries verify the effectiveness of the proposed framework.

연구 동기 및 목표

• 이전에 희박하고 불확실한 이동 비용 데이터로부터 전체 비희박한 확률적 OD 행렬을 예측하는 문제에 대응하기 위해.
• 그래프 기반 표현을 사용하여 도시 교통 패턴의 복잡한 시공간 상관관계를 모델링하기 위해.
• 행렬 분해, 그래프 컨볼루션, 순환 네트워크를 통합하여 엔드 투 엔드 예측을 위한 딥러닝 프레임워크를 개발하기 위해.
• 다양한 공간적 및 시간적 동역학을 보이는 실세계 데이터셋에서 프레임워크를 평가하기 위해.
• 다른 도시와 교통 제도에서의 강인성과 일반화 능력을 입증하기 위해.

제안 방법

• 프레임워크는 희박한 이전 OD 행렬의 결측치를 낮은 질량의 공간적 및 시간적 구성요소로 분해함으로써 행렬 분해를 사용해 보간한다.
• 공간적 인접성 기반의 지역 간 거리 그래프와 OD 행렬 간 시간 유사성 기반의 유사도 그래프를 각각 구축하여 공간적 및 시간적 종속성을 모델링한다.
• 이중 단계 그래프 컨볼루션 네트워크는 분해된 행렬에서 공간적으로 및 시간적으로 관련된 특징을 추출하기 위해 두 그래프를 처리한다.
• 그래프 인코딩 이후 순환 신경망(LSTM)이 순차적인 OD 행렬 간의 장기적 시간적 동역학을 포착한다.
• 전체 OD 행렬 텐서에 대한 예측 오차를 최소화하는 다중 작업 손실을 사용하여 모델을 엔드 투 엔드로 훈련시킨다.
• 최종 출력은 각 지역 쌍에 대한 이동 비용에 대한 확률 분포를 포함하는 밀도가 높고 확률적인 OD 행렬이다.

실험 결과

연구 질문

• RQ1 딥러닝 프레임워크가 희박한 이전 데이터로부터 전체 확률적 OD 행렬을 효과적으로 예측할 수 있는가?
• RQ2 그래프 컨볼루션 네트워크가 도시 교통 OD 행렬의 공간적 상관관계를 어느 정도 잘 모델링할 수 있는가?
• RQ3 순환 구조를 통해 시간적 동역학을 통합함으로써 예측 정확도가 얼마나 향상되는가?
• RQ4 시간대별 패턴과 공간적 거리에 따라 프레임워크의 성능은 어떻게 변화하는가?
• RQ5 근접성 행렬 구성 파라미터와 같은 하이퍼파rameter 선택에 대해 프레임워크는 얼마나 강인한가?

주요 결과

• 제안된 고급 프레임워크(AF)는 뉴욕시와 성두 택시 데이터셋 모두에서 모든 평가 지표(EMD, KL, JS)에서 최고의 성능을 기록한다.
• BF, FC와 같은 베이스라인 모델보다 명확한 격차를 보이며, 특히 데이터 희소성 문제 해결과 장기적 시간적 추세 포착에 뛰어난 성능을 발휘한다.
• 지역 간 거리가 증가할수록 예측 정확도는 감소하지만, AF는 장거리 OD 쌍에 대해서도 대안보다 훨씬 더 정확한 성능을 유지한다.
• 근접성 행렬 구성에서 하이퍼파ram터 σ와 α에 대해 모델이 강인함을 보이며, 다양한 공간 모델링 선택에 대해 안정적인 성능을 유지함을 시사한다.
• 저교통 동역학 시기(예: 새벽)에 성능이 가장 높으며, 정점 시간대에는 더 높은 확률성과 경로 변동성으로 인해 정확도가 감소한다.
• 행렬 분해를 그래프 및 순환 네트워크와 통합함으로써, 훈련 데이터에서 65% 정도의 지역 쌍만 관측된 상황에서도 효과적인 보간과 일반화가 가능하다.