[논문 리뷰] STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems

Jinlei Zhang, Hua Li외 4명|arXiv (Cornell University)|2022. 02. 10.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

이 논문은 적대적 훈련을 통해 공간적 및 시간적 종속성을 공동으로 모델링함으로써 도시 철도 교통에서 단기 승객 유동 예측을 향상시키는 새로운 스파atiotemporal 그래프 생성 적대적 네트워크인 STG-GAN을 제안한다. 이 모델은 경량 생성기에서 게이트형 시간 컨볼루션과 가중치 공유 그래프 컨볼루션을 사용하며, 공간 및 시간 구분자와 함께 작동하여 실제 베이징 지하철 데이터에서 높은 정확도, 높은 효율성 및 낮은 메모리 사용량을 달성한다.

ABSTRACT

Short-term passenger flow prediction is an important but challenging task for better managing urban rail transit (URT) systems. Some emerging deep learning models provide good insights to improve short-term prediction accuracy. However, there exist many complex spatiotemporal dependencies in URT systems. Most previous methods only consider the absolute error between ground truth and predictions as the optimization objective, which fails to account for spatial and temporal constraints on the predictions. Furthermore, a large number of existing prediction models introduce complex neural network layers to improve accuracy while ignoring their training efficiency and memory occupancy, decreasing the chances to be applied to the real world. To overcome these limitations, we propose a novel deep learning-based spatiotemporal graph generative adversarial network (STG-GAN) model with higher prediction accuracy, higher efficiency, and lower memory occupancy to predict short-term passenger flows of the URT network. Our model consists of two major parts, which are optimized in an adversarial learning manner: (1) a generator network including gated temporal conventional networks (TCN) and weight sharing graph convolution networks (GCN) to capture structural spatiotemporal dependencies and generate predictions with a relatively small computational burden; (2) a discriminator network including a spatial discriminator and a temporal discriminator to enhance the spatial and temporal constraints of the predictions. The STG-GAN is evaluated on two large-scale real-world datasets from Beijing Subway. A comparison with those of several state-of-the-art models illustrates its superiority and robustness. This study can provide critical experience in conducting short-term passenger flow predictions, especially from the perspective of real-world applications.

연구 동기 및 목표

• 도시 철도 교통 승객 유동 예측에서 복잡한 스파atiotemporal 종속성을 포착하는 과제를 해결한다.
• 기존 모델이 절대 오차 최적화에만 집중하여 공간적 및 시간적 제약 조건을 忽시하는 한계를 극복한다.
• 딥 러닝 모델의 계산 부담과 메모리 사용량을 줄여 실세계 적용 가능성을 높인다.
• 높은 예측 정확도를 유지하면서 훈련 효율성을 향상시키는 가벼운 구조이지만 강력한 아키텍처를 개발한다.

제안 방법

• 시간 역학과 공간 구조를 효율적으로 모델링하기 위해 게이트형 시간 컨volution 네트워크(TCN)와 가중치 공유 그래프 컨볼루션 네트워크(GCN)를 조합한 생성기 네트워크를 제안한다.
• 예측의 구조적 일관성을 강제하기 위해 공간 구분자와 시간 구분자를 갖춘 이중 구분자 아키텍처를 도입한다.
• 생성기와 구분자를 적대적으로 훈련시켜 예측의 현실성과 제약 조건 준수 능력을 향상시킨다.
• 예측이 정확할 뿐 아니라 공간적·시간적으로 타당한지를 이끌기 위해 적대적 손실을 활용한다.
• 역 간 연결성과 승객 유동 패턴을 인코딩하기 위해 철도 네트워크의 그래프 기반 표현을 활용한다.
• 강건한 성능을 확보하기 위해 적대적 손실, L1 손실, 시간 일관성 손실을 조합한 하이브리드 손실을 최적화에 사용한다.

실험 결과

연구 질문

• RQ1 적대적 훈련이 도시 철도 시스템의 단기 승객 유동 예측의 현실성과 제약 준수 능력을 향상시킬 수 있는가?
• RQ2 게이트형 TCN과 가중치 공유 GCN의 통합이 정확도를 훼손하지 않으면서 모델링 효율성을 어떻게 향상시키는가?
• RQ3 이중 구분자(공간 및 시간)가 단일 구분자 또는 무구분자 기반 베이스라인에 비해 예측 품질을 얼마나 향상시키는가?
• RQ4 실세계 데이터에서 최신 기술 모델들과 비교했을 때 STG-GAN의 정확도, 추론 속도 및 메모리 소비 측면에서의 성능은 어떠한가?
• RQ5 제안된 모델이 도시 철도 교통 시스템의 다양한 시간 스케일과 네트워크 구조에 대해 얼마나 견고하게 일반화되는가?

주요 결과

• STG-GAN은 두 개의 대규모 베이징 지하철 데이터셋에서 여러 최신 기술 모델보다 뛰어난 예측 정확도를 달성한다.
• GCN의 가중치 공유와 가벼운 TCN 구성 요소 덕분에 메모리 점유율이 크게 낮고 훈련 효율성이 높다.
• 이중 구분자와 함께 하는 적대적 훈련은 예측의 공간적·시간적 일관성을 향상시켜 현실적이지 않은 유동 변동을 감소시킨다.
• 정량적 결과는 다양한 예측 수준에서 MAE, RMSE, MAPE 지표에서 STG-GAN이 베이스라인을 능가함을 보여준다.
• 제거 실험을 통해 공간 및 시간 구분자가 성능 향상에 기여하는 것으로 확인된다.
• 모델은 높은 추론 속도를 유지하여 운영 도시 철도 교통 시스템에서 실시간 배포에 적합하다.