[논문 리뷰] Revisiting Convolutional Neural Networks for Citywide Crowd Flow Analytics

Yuxuan Liang, Kun Ouyang외 5명|arXiv (Cornell University)|2020. 02. 28.

Traffic Prediction and Management Techniques참고 문헌 25인용 수 7

한 줄 요약

이 논문은 도시 전역의 혼잡도 흐름 분석을 위한 새로운 프레임워크인 DeepLGR을 제안한다. 이는 전역적인 공간적 종속성을 효율적으로 포착하고 지역별 기능을 모델링함으로써 기존의 CNN 기반 방법보다 향상된 성능을 달성한다. 텐서 분해를 통해 국소적 특징 추출, 전역적 맥락 집계, 지역별 예측을 분리함으로써 DeepLGR은 TaxiBJ 데이터셋에서 DeepSTN+보다 MAE가 8.8% 낮고 SMAPE가 45.9% 낮은 최신 기술 수준의 성능을 달성하면서도, 더 적은 파라미터를 사용하고 학습 속도가 빠르다.

ABSTRACT

Citywide crowd flow analytics is of great importance to smart city efforts. It aims to model the crowd flow (e.g., inflow and outflow) of each region in a city based on historical observations. Nowadays, Convolutional Neural Networks (CNNs) have been widely adopted in raster-based crowd flow analytics by virtue of their capability in capturing spatial dependencies. After revisiting CNN-based methods for different analytics tasks, we expose two common critical drawbacks in the existing uses: 1) inefficiency in learning global spatial dependencies, and 2) overlooking latent region functions. To tackle these challenges, in this paper we present a novel framework entitled DeepLGR that can be easily generalized to address various citywide crowd flow analytics problems. This framework consists of three parts: 1) a local feature extraction module to learn representations for each region; 2) a global context module to extract global contextual priors and upsample them to generate the global features; and 3) a region-specific predictor based on tensor decomposition to provide customized predictions for each region, which is very parameter-efficient compared to previous methods. Extensive experiments on two typical crowd flow analytics tasks demonstrate the effectiveness, stability, and generality of our framework.

연구 동기 및 목표

• 도시 내 다양한 지역 간 장거리 공간적 종속성을 포착하는 데 있어 기존의 CNN 기반 방법의 비효율성을 해결하기 위해.
• 도시 지역 간 잠재적인 기능적 차이(예: 사무실, 주거, 공원 지역 등)를 간과하는 공통 예측기의 한계를 극복하기 위해.
• 다양한 혼잡도 흐름 분석 작업에 적용 가능한 일반적이고 경량적이며 파라미터 효율적인 프레임워크를 설계하기 위해.
• 스패티오타임럴 혼잡도 흐름 모델링에서 높은 예측 정확도를 유지하면서도 학습 수렴 속도를 가속화하기 위해.

제안 방법

• 작은 수신장역으로서의 지역별 표현을 학습하는 국소적 특징 추출 모듈을 도입한다.
• 학습 가능한 전역 사전 지식을 사용하여 장거리 공간적 종속성을 집계하고, 이를 업샘플링하여 전역적 특징을 생성하는 전역 맥락 모듈을 활용한다.
• 텐서 분해 기반의 지역별 예측기로, 각 지역에 맞는 맞춤형이고 저파라미터 예측을 가능하게 한다.
• 국소적 특징과 전역 맥락의 학습을 분리함으로써 모듈화되고 확장 가능한 설계를 가능하게 한다.
• 이미 존재하는 모델(예: UrbanFM)과 원활하게 통합되어 아키텍처의 대대적인 개편 없이도 성능을 향상시킬 수 있다.
• 수렴 안정성과 일반화 성능 향상을 위해 다단계 학습 전략을 적용한다.

실험 결과

연구 질문

• RQ1 깊은 CNN을 반복적으로 쌓는 것보다, 먼 거리에 있는 도시 지역 간의 전역적 공간적 종속성을 더 효율적으로 포착할 수 있는 방법은 무엇인가?
• RQ2 잠재적인 지역 기능(예: 사무실 대비 주거 지역)이 혼잡도 흐름 예측에 얼마나 큰 영향을 미치며, 이를 효과적으로 모델링할 수 있는가?
• RQ3 예측 및 데이터 복구와 같은 다양한 혼잡도 흐름 분석 작업에 일반화할 수 있는 통합 프레임워크를 설계할 수 있는가?
• RQ4 최신 기술 수준의 모델들인 DeepSTN+와 UrbanFM과 비교했을 때, 제안된 프레임워크의 성능과 학습 효율성은 어떠한가?

주요 결과

• DeepLGR는 TaxiBJ 데이터셋에서 DeepSTN+보다 MAE가 8.8% 낮고 SMAPE가 45.9% 낮아, 뛰어난 예측 정확도를 입증한다.
• HappyValley 데이터셋에서 DeepLGR는 DeepSTN+ 대비 MAE를 4.2% 낮추고 SMAPE를 25.9% 낮추어 일관된 성능 향상을 확인한다.
• UrbanFM 대비 56% 더 빠르게 수렴하여, 반복 3540회(에포크 37)에 정지하는 데서 7720회(에포크 81)에 정지하는 데 비해, 학습 효율성이 향상됨을 시사한다.
• TaxiBJ-P1 데이터셋에서 DeepLGR는 UrbanFM의 성능을 MAE 기준 5.8% 향상시키고 SMAPE 기준 28.0% 향상시켜, 뛰어난 호환성과 성능 향상 능력을 입증한다.
• 제거 실험 결과, 국소적 특징 추출, 전역 맥락 모델링, 지역별 예측 세 가지 구성 요소가 성능 향상에 기여하는 데 있어 상당한 기여를 한다는 것이 확인되었다.
• 예측기에서 텐서 분해를 사용함으로써 모델 파라미터를 크게 줄여, 실세계 적용에 더 가볍고 실용적인 프레임워크로 만들 수 있었다.