[논문 리뷰] SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data

Bang An, Xun Zhou외 2명|arXiv (Cornell University)|2023. 09. 30.

Traffic Prediction and Management TechniquesEngineering인용 수 3

한 줄 요약

SpatialRank는 공간 자기상관을 고려한 하이브리드 NDCG 손실과 적응형 그래프 컨볼루션을 결합하여 도시 사건 예측의 순위 성능을 직접 최적화하는 딥러닝 모델을 제안한다. 공간적으로 인지하는 중요도 샘플링과 서면 손실 최적화를 통해 실세계의 범죄 및 교통사고 데이터셋에서 최신 기술 대비 최대 12.7% 높은 NDCG 성능을 달성한다.

ABSTRACT

The problem of urban event ranking aims at predicting the top-k most risky locations of future events such as traffic accidents and crimes. This problem is of fundamental importance to public safety and urban administration especially when limited resources are available. The problem is, however, challenging due to complex and dynamic spatio-temporal correlations between locations, uneven distribution of urban events in space, and the difficulty to correctly rank nearby locations with similar features. Prior works on event forecasting mostly aim at accurately predicting the actual risk score or counts of events for all the locations. Rankings obtained as such usually have low quality due to prediction errors. Learning-to-rank methods directly optimize measures such as Normalized Discounted Cumulative Gain (NDCG), but cannot handle the spatiotemporal autocorrelation existing among locations. In this paper, we bridge the gap by proposing a novel spatial event ranking approach named SpatialRank. SpatialRank features adaptive graph convolution layers that dynamically learn the spatiotemporal dependencies across locations from data. In addition, the model optimizes through surrogates a hybrid NDCG loss with a spatial component to better rank neighboring spatial locations. We design an importance-sampling with a spatial filtering algorithm to effectively evaluate the loss during training. Comprehensive experiments on three real-world datasets demonstrate that SpatialRank can effectively identify the top riskiest locations of crimes and traffic accidents and outperform state-of-art methods in terms of NDCG by up to 12.7%.

연구 동기 및 목표

• 범죄 및 교통사고와 같은 사건의 높은 위험도를 가진 도시 지역을 정확하게 상위-k 순위로 보장하지 못하는 기존 예측 모델이 직면한 상위-k 순위 정확성 문제를 해결하기 위해.
• 이웃 지역 간 공간 자기상관을 忽시하고 위치를 상호 독립적으로 간주하는 표준 러닝-투-랭크 방법의 한계를 극복하기 위해.
• 적응형 그래프 컨볼루션 레이어를 통해 동적 시공간 의존성을 모델링하여 순위 품질을 향상시키기 위해.
• 글로벌 및 로컬 NDCG 지표를 조합한 하이브리드 손실을 도입하여 훈련 효율성과 순위 정확도를 향상시키기 위해.
• 훈련 중 비미분 가능한 NDCG 서면을 효과적으로 평가하기 위해 공간 필터링을 통한 새로운 중요도 샘플링 전략을 개발하기 위해.

제안 방법

• SpatialRank는 입력 특징과 이전 사건 패tern을 기반으로 도시 위치 간의 동적 시공간 관계를 적응형 그래프 컨볼루션 레이어를 통해 학습한다.
• 모델은 전역 NDCG 손실과 지역 NDCG 손실을 조합한 하이브리드 손실 함수를 도입하여 공간적으로 집중된 위험 지역에서의 순위 품질을 향상시킨다.
• 비미분 가능한 NDCG 지표를 근사하기 위해 서면 함수를 사용하여 backpropagation을 통한 엔드 투 엔드 훈련을 가능하게 한다.
• 훈련 중 순위 목표에 더 큰 영향을 미치는 위치를 우선순위로 삼기 위해 공간 필터링을 통한 새로운 중요도 샘플링 메커니즘을 설계하였다.
• 스 pocio-환경적 특성(예: 기상, 도로 네트워크)과 사건 수를 입력 특징으로 통합하여 시공간 표현을 향상시킨다.
• 공간 필터링을 통해 계산 비용을 줄이면서도 순위 유지도를 보존하면서, NDCG의 미분 가능한 서면을 사용해 훈련을 최적화한다.

실험 결과

연구 질문

• RQ1 도시 사건 데이터에서 NDCG를 직접 최적화하는 딥러닝 모델이 기존의 회귀 기반 예측 모델보다 상위-k 순위 정확도에서 뛰어나게 성능을 내는가?
• RQ2 이웃 위치 간의 공간 자기상관을 명시적으로 모델링하면 도시 사건 예측에서 지역 순위 품질을 어떻게 향상시킬 수 있는가?
• RQ3 전역 NDCG만 사용하는 것과 비교해 지역 NDCG 손실 성분을 통합할 경우, 높은 위험도 클러스터를 식별하는 데에 얼마나 더 효과적인가?
• RQ4 제안된 공간 필터링 기반 중요도 샘플링은 NDCG 서면의 훈련 효율성과 수렴 속도 향상에 얼마나 효과적인가?
• RQ5 적응형 그래프 컨볼루션 메커니즘은 희소한 도시 사건 데이터에서 동적 시공간 의존성을 효과적으로 포착하는가?

주요 결과

• SpatialRank는 실세계의 세 개의 데이터셋에서 최신 기술 대비 최대 12.7% 높은 NDCG 성능을 기록하며 뛰어난 상위-k 순위 정확도를 입증하였다.
• 예측된 사건 위치와 실제 사건 위치 간의 공간 상관관계가 크게 향상되었으며, Cross-K 함수를 통한 검증 결과 기준선 대비 진짜 사건 주변의 예측 집중도가 더 높았다.
• 전역 및 지역 NDCG를 조합한 하이브리드 손실 함수는 특히 사건이 공간적으로 집중된 지역에서 위험도 클러스터의 순위를 더 잘 향상시켰다.
• 공간 필터링을 통한 중요도 샘플링 메커니즘은 훈련 비용을 줄이면서도 높은 순위 정확도를 유지하여 대규모 도시 환경에서 NDCG 최적화의 실현 가능성을 높였다.
• 범죄 및 교통사고 예측 작업 모두에서 기존 모델을 능가했으며, 다양한 도시 환경과 데이터 희소 수준에서 일관된 성능 향상을 보였다.
• 공간 이질성과 데이터 희소성 처리에 뛰어난 강건성을 보였지만, 아이오와와 같은 더 희소한 데이터셋에서는 성능 향상 폭이 작아 극단적 희소성 상황에서의 향상 여지가 남아 있음을 시사했다.