[논문 리뷰] Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing Demand Prediction

Weiguo Pian, Yingbo Wu외 3명|arXiv (Cornell University)|2020. 06. 07.

Traffic Prediction and Management Techniques참고 문헌 42인용 수 14

한 줄 요약

이 논문은 공간적 상관관계를 그래프 어텐션을 통해 적응적으로 학습하고 시간에 따라 변화하는 출퇴근 패턴을 기반으로 그래프 구조를 동적으로 업데이트함으로써 라이드셰링 수요를 모델링하는 공간-시간 동적 그래프 어텐션 네트워크(STDGAT)를 제안한다. 이 방법은 기존의 베이스라인 대비 실세계 디디 추싱 데이터셋에서 RMSE를 17.1% 감소시키고 MAPE를 18.6% 감소시켜 최신 기술 수준(SOTA) 성능을 달성한다.

ABSTRACT

Ride-hailing demand prediction is an essential task in spatial-temporal data mining. Accurate Ride-hailing demand prediction can help to pre-allocate resources, improve vehicle utilization and user experiences. Graph Convolutional Networks (GCN) is commonly used to model the complicated irregular non-Euclidean spatial correlations. However, existing GCN-based ride-hailing demand prediction methods only assign the same importance to different neighbor regions, and maintain a fixed graph structure with static spatial relationships throughout the timeline when extracting the irregular non-Euclidean spatial correlations. In this paper, we propose the Spatial-Temporal Dynamic Graph Attention Network (STDGAT), a novel ride-hailing demand prediction method. Based on the attention mechanism of GAT, STDGAT extracts different pair-wise correlations to achieve the adaptive importance allocation for different neighbor regions. Moreover, in STDGAT, we design a novel time-specific commuting-based graph attention mode to construct a dynamic graph structure for capturing the dynamic time-specific spatial relationships throughout the timeline. Extensive experiments are conducted on a real-world ride-hailing demand dataset, and the experimental results demonstrate the significant improvement of our method on three evaluation metrics RMSE, MAPE and MAE over state-of-the-art baselines.

연구 동기 및 목표

• 기존 GCN 기반 라이드셰링 수요 예측 모델에서 고정된 그래프 구조와 균일한 이웃 가중치 할당의 한계를 해결하기 위해.
• 비유비디안 공간 상관관계를 적응형 어텐션 메커니즘을 통해 모델링하기 위해.
• 정적 지리적 근접성 대신 실제 출퇴근 유량 기반으로 동적 그래프를 구성함으로써 시간에 따라 변화하는 공간적 관계를 포착하기 위해.
• 공간적 및 시간적 종속성을 통합하여 개선된 수요 예측 성능을 달성하기 위해.
• 기존의 지리적 이웃 기반 방법에 비해 시간에 특정된 출퇴근 기반 그래프 구축 방식의 우수성을 검증하기 위해.

제안 방법

• 이웃 지역 간의 중요도를 적응적으로 할당할 수 있도록 그래프 어텐션 네트워크(GAT)를 활용하여 비유비디안 공간 상관관계를 포착한다.
• 실제 출퇴근 유량 데이터를 사용하여 고정된 지리적 연결 대신 시간에 따라 특정된 출퇴근 기반의 그래프 어텐션 모드를 도입하여 각 시간 간격에 대해 동적 그래프 구조를 구성한다.
• 시계열의 공간 집계 특징에서 시간 종속성을 모델링하기 위해 장기적 단기 기억(LSTM) 네트워크를 사용한다.
• 공간 및 시간 모듈을 통합한 아키텍처로 구성: 공간 특징은 동적 간선 구성과 함께 GAT를 통해 추출되고, 이후 시간 모델링을 위해 LSTM에 입력된다.
• 공간-시간 특징 학습 후 최종 수요 예측을 출력하기 위해 예측 레이어를 적용한다.
• 각 시간 간격마다 실제 출퇴근 유량이 있는 지역 간에만 방향성 있는 간선을 포함하여 동적 그래프를 구성한다.

실험 결과

연구 질문

• RQ1 이웃 지역에 대해 다른 중요도를 학습함으로써 적응형 어텐션 메커니즘이 라이드셰링 수요 예측 성능을 향상시킬 수 있는가?

주요 결과

• STDGAT는 RMSE 7.8811을 기록하여 기준 공간 모듈 + 예측 레이어(9.6273) 대비 17.1% 감소하고, 시간 모듈 + 예측 레이어(9.3151) 대비 15.5% 감소시켰다.
• 모델은 MAPE를 공간 전용일 때 0.2143에서 0.1744로 감소시키고, MAE를 5.2131에서 4.0881로 감소시켜 모든 지표에서 일관된 향상을 보였다.
• 고정 그래프 버전인 STDGAT-fixed(RMSE 8.2334, MAPE 0.1788, MAE 4.1917)보다 성능이 뛰어나 시간에 특정된 출퇴근 기반 그래프 구축 방식의 효과성을 입증했다.
• 입력 시퀀스 길이가 5시간일 때 최적의 성능을 기록하며, 더 긴 시퀀스는 학습 복잡도 증가로 인해 성능 저하를 초래한다.
• 그래프 어텐션 레이어 수가 많아질수록 성능 향상(최대 5층까지)되며, 깊이가 증가함에 따라 수용장역이 확장되고 더 넓은 공간 상관관계를 포착할 수 있다.
• 제거 실험 결과는 공간적 및 시간적 종속성을 병렬로 모델링할 경우 별도로 모델링하는 것보다 더 우수한 성능을 낸다는 것을 확인했다.