[논문 리뷰] Towards Generative Modeling of Urban Flow through Knowledge-enhanced Denoising Diffusion
이 논문은 가용한 역사적 데이터가 없는 지역에서 동적 도시 유량을 생성하기 위해 가용한 볼륨 추정기와 도시 환경 및 공간 관계를 인코딩하는 지식 그래프를 활용하는 지식 강화된 시공간 확산 모델인 KSTDiff를 제안한다. 이 모델은 흐름 생성 및 장기적 생성 및 예측 작업에서 최신 기술 수준(SOTA) 성능을 달성하며, 핵심 지표에서 실제 데이터와 7.5% 이내로 성능을 보인다.
Although generative AI has been successful in many areas, its ability to model geospatial data is still underexplored. Urban flow, a typical kind of geospatial data, is critical for a wide range of urban applications. Existing studies mostly focus on predictive modeling of urban flow that predicts the future flow based on historical flow data, which may be unavailable in data-sparse areas or newly planned regions. Some other studies aim to predict OD flow among regions but they fail to model dynamic changes of urban flow over time. In this work, we study a new problem of urban flow generation that generates dynamic urban flow for regions without historical flow data. To capture the effect of multiple factors on urban flow, such as region features and urban environment, we employ diffusion model to generate urban flow for regions under different conditions. We first construct an urban knowledge graph (UKG) to model the urban environment and relationships between regions, based on which we design a knowledge-enhanced spatio-temporal diffusion model (KSTDiff) to generate urban flow for each region. Specifically, to accurately generate urban flow for regions with different flow volumes, we design a novel diffusion process guided by a volume estimator, which is learnable and customized for each region. Moreover, we propose a knowledge-enhanced denoising network to capture the spatio-temporal dependencies of urban flow as well as the impact of urban environment in the denoising process. Extensive experiments on four real-world datasets validate the superiority of our model over state-of-the-art baselines in urban flow generation. Further in-depth studies demonstrate the utility of generated urban flow data and the ability of our model for long-term flow generation and urban flow prediction. Our code is released at: https://github.com/tsinghua-fib-lab/KSTDiff-Urban-flow-generation.
연구 동기 및 목표
- 실제 역사적 데이터가 없는 지역(예: 신규로 계획된 지역이나 근교 지역)에서 현실적인 도시 유량을 생성하는 데 도전하는 것.
- 지역 특성 및 도시 환경에 의해 영향을 받는 도시 유량의 동적이고 시간에 따라 변하는 성격을 모델링하는 것.
- 다양한 조건 하에서 현실적이며 다양한 흐름 패턴을 생성할 수 있는 조건부 생성 모델을 개발하는 것.
- 실제 유량 데이터가 확보되지 않은 도시 계획 및 교통 관리 응용 분야에서 실용적인 활용을 가능하게 하는 것.
- 생성된 데이터가 원천-목적지(OD) 유량 추정과 같은 후속 작업에 어떻게 활용될 수 있는지 보여주는 것.
제안 방법
- 지역 간 공간 관계와 토지 이용, 인프라와 같은 환경적 특성을 인코딩하기 위해 도시 지식 그래프(UKG)를 구축한다.
- 역확산 과정 동안 시공간적 흐름 패턴과 UKG로 인코딩된 맥락 양쪽 모두에 주목하는 지식 강화된 노이즈 제거 네트워크를 설계한다.
- 유량 볼륨을 예측하고 각 지역별로 생성 과정을 조절하는 가속 가능한 볼륨 추정기를 통해 지역 맞춤형 확산 과정을 도입한다.
- 지역 특성, UKG 맥락, 추정된 볼륨을 조건으로 삼아 다단계 동적 도시 유량을 생성하기 위해 조건부 확산 모델링을 사용한다.
- 노이즈가 섞인 입력과 진짜 유량 시퀀스 간의 재구성 오차를 최소화하는 목적 함수를 사용해 모델을 훈련한다.
- 유량 볼륨 추정기를 역사적 유량으로 대체함으로써 모델을 도시 유량 예측에 적응시켜 종단 간 예측을 가능하게 한다.
실험 결과
연구 질문
- RQ1확산 기반 생성 모델이 역사적 유량 데이터가 없는 지역에서 현실적이고 동적인 도시 유량 패턴을 생성할 수 있는가?
- RQ2지식 강화된 확산 모델은 도시 유량에 영향을 주는 시공간적 의존성과 환경적 영향을 얼마나 효과적으로 포착할 수 있는가?
- RQ3생성된 도시 유량 데이터가 원천-목적지(OD) 유량 추정과 같은 후속 작업에서 실제 데이터를 얼마나 효과적으로 대체할 수 있는가?
- RQ4모델은 장기적 유량 생성에 일반화되어 있으며, 도시 유량의 예측 모델링을 지원할 수 있는가?
- RQ5지역별로 맞춤화된 볼륨 추정 구성 요소는 다양한 유량 볼륨을 가진 지역 간 생성 품질을 어떻게 향상시키는가?
주요 결과
- KSTDiff는 최신 기술 수준(SOTA) 기준선을 초월하여 도시 유량 생성에서 뛰어난 성능을 보였으며, 뉴욕시 데이터셋에서 CPC 0.715, 베이징에서 0.554를 기록했고, 실제 데이터(각각 0.773 및 0.582)에 매우 가까운 성능을 보였다.
- KSTDiff에서 생성된 데이터는 뉴욕시에서 실제 데이터보다 CPC가 7.50% 낮고, 베이징에서는 4.81% 낮아, OD 생성 작업에 강력한 활용 가능성을 입증했다.
- 도시 유량 예측에서 KSTDiff는 D.C. 데이터셋에서 RMSE를 14.2% 감소시키고 기준선 대비 MAE를 5.5% 향상시켜 뛰어난 전이 성능를 보였다.
- 모델은 현실적인 시간 동적 특성과 공간 패턴을 유지하면서 장기적인 흐름 시퀀스를 성공적으로 생성했다.
- 지식 강화된 노이즈 제거 네트워크는 UKG 맥락을 노이즈 제거 과정에 통합함으로써 성능을 크게 향상시켰으며, 이러한 통합이 없는 모델보다 뛰어난 성능를 보였다.
- 지역 맞춤형 볼륨 추정기는 지역 간 높은 유량 변동성을 효과적으로 다루어 고유량 및 저유량 지역 모두에서 생성 정밀도를 향상시켰다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.