[논문 리뷰] STG2Seq: Spatial-temporal Graph to Sequence Model for Multi-step Passenger Demand Forecasting

Lei Bai, Lina Yao외 3명|arXiv (Cornell University)|2019. 05. 24.

Traffic Prediction and Management TechniquesEngineering참고 문헌 18인용 수 21

한 줄 요약

이 논문은 다단계 승객 수요 예측에서 복잡한 공간-시간 의존성을 포괄적으로 포착하기 위해 계층적 그래프 컨volution 네트워크를 활용하는 그래프 기반의 시퀀스-투-시퀀스 모델인 STG2Seq을 제안한다. 장기 인코더, 단기 인코더, 그리고 어텐션 기반 출력 모듈을 활용함으로써, STG2Seq은 세 개의 실세계 데이터셋에서 최신 기술 대비 최대 RMSE 4.9% 향상 및 MAPE 4.5% 향상으로, 장기 예측에서 뛰어난 정확도와 오차 누적 감소를 입증한다.

ABSTRACT

Multi-step passenger demand forecasting is a crucial task in on-demand vehicle sharing services. However, predicting passenger demand over multiple time horizons is generally challenging due to the nonlinear and dynamic spatial-temporal dependencies. In this work, we propose to model multi-step citywide passenger demand prediction based on a graph and use a hierarchical graph convolutional structure to capture both spatial and temporal correlations simultaneously. Our model consists of three parts: 1) a long-term encoder to encode historical passenger demands; 2) a short-term encoder to derive the next-step prediction for generating multi-step prediction; 3) an attention-based output module to model the dynamic temporal and channel-wise information. Experiments on three real-world datasets show that our model consistently outperforms many baseline methods and state-of-the-art models.

연구 동기 및 목표

• 정확한 예측이 차량 배치 효율성에 영향을 주는 온디맨드 이동 서비스에서의 다단계 승객 수요 예측 과제를 해결하기 위해.
• 비유클리드 공간 상관관계와 장기 시간 의존성에 취약한 기존의 RNN 및 CNN 기반 모델의 한계를 극복하기 위해.
• RNN 디코더를 이중 인코더 아키텍처로 대체하여 다단계 예측에서의 오차 누적을 줄이기 위해.
• 학습 가능한 어텐션 메커니즘을 통합하여 역동적인 시간 상관관계를 모델링하고, 이는 과거 시간 단계에 대해 그 중요도에 따라 가중치를 적응적으로 설정함으로써.
• 격자 기반 공간 이산화를 요구하지 않으며, 도로망 기반 도시 지역과 같은 비정규 공간 분할에 대해서도 일반화를 보장하기 위해.

제안 방법

• 모델은 도시 전역의 승객 수요를 공간-시간 그래프로 표현하며, 각 영역을 노드로 간주하고 공간 관계를 그래프 컨volution 레이어를 통해 모델링한다.
• 다중 GCN 레이어를 갖춘 게이트드 그래프 컨볼루션 모듈(GGCM)은 공간적 및 시간적 상관관계를 계층적으로 포착하여 장거리 의존성에 대한 경로 길이를 줄인다.
• 장기 인코더는 과거 수요 시계열을 처리하여 장기 시간 패턴을 포착하고, 단기 인코더는 다단계 예측을 위한 다음 단계 예측을 생성한다.
• 어텐션 기반 출력 모듈은 시간적 및 채널별 의존성을 동적으로 모델링하여, 목표 단계에 대한 관련성이 높은 과거 시간 단계에 대해 적응적으로 가중치를 설정할 수 있도록 한다.
• 학습 중에 티처 포싱을 사용하여 다단계 예측 생성을 안정화함으로써 일반화 성능 향상과 오차 전파 감소를 도모한다.
• 이 아키텍처는 격자 기반 공간 이산화 없이도 도로망 기반 영역과 같은 비정규 공간 분할에 대해 매우 민첩하고 일반화 가능한 성능을 보인다.

실험 결과

연구 질문

• RQ1 원격 지역이 인근 지역보다 유사한 특성을 지닌 경우, 비유클리드 공간 상관관계를 효과적으로 포착할 수 있는 그래프 기반의 시퀀스-투-시퀀스 모델은 승객 수요 예측에서 성능을 높일 수 있는가?
• RQ2 RNN 기반 디코더를 이중 인코더 아키텍처로 대체할 경우, 다단계 승객 수요 예측에서 오차 누적에 어떤 영향을 미치는가?
• RQ3 역동적인 시간 상관관계를 모델링하는 어텐션 메커니즘이 고정된 가중치나 정적 집계 방식에 비해 예측 정확도 향상에 얼마나 기여하는가?
• RQ4 정규 격자 대신 도로망 기반으로 도시를 비정규 영역으로 분할했을 경우, 모델의 성능은 어떻게 되는가?
• RQ5 제안된 STG2Seq 모델은 다양한 실세계 데이터셋에서 공간적·시간적 동적 특성이 상이한 환경에서도 최신 기술 대비 일관되게 슈퍼리어 성능을 보일 수 있는가?

주요 결과

• 디디SY 데이터셋에서 STG2Seq는 최신 기술 대비 RMSE 4.9% 상승 및 MAPE 4.5% 상승을 기록하여 뚜렷한 성능 향상을 입증한다.
• 뉴욕시 및 디디SY 데이터셋에서 STG2Seq는 각각 RMSE 2.6%, 4.9% 향상 및 MAE 0.4%, 2.6% 향상하여 다양한 데이터셋에서 일관된 슈퍼리어리티를 보였다.
• 다단계 예측에서 STG2Seq는 모든 세 시간 단계에서 낮은 오차 증가율을 유지하는 반면, ConvLSTM 및 DCRNN는 급격한 성능 저하를 보여, 오차 누적 감소 효과를 확인했다.
• 제거 실험 결과, 단기 인코더를 제거하면 성능이 단일 단계 예측 수준으로 떨어지며, 어텐션 모듈이나 게이팅 메커니즘을 ReLU 또는 CNN 레이어로 대체할 경우 성능 저하가 명확하게 관찰되었다.
• 도로망 기반 비정규 영역 분할(선양 기반)에서 STG2Seq는 RMSE 3.244 및 MAE 2.136를 기록하여 ARIMA, SARIMA, MLP, XGBoost, DCRNN, STGCN를 모두 압도했다.
• 다양한 공간 분할 방식에 대해 모델 성능가 일관되게 유지되어, 정규 격자 기반 도시 표현을 초월한 일반화 능력을 입증했다.