[논문 리뷰] Transfer learning for cross-modal demand prediction of bike-share and public transit

Mingzhuang Hua, Francisco C. Pereira외 2명|arXiv (Cornell University)|2022. 03. 17.

Transportation Planning and Optimization인용 수 4

한 줄 요약

이 연구는 자전거 공유 및 대중교통 간의 다중모달 수요 예측을 향상시키기 위해 이동 수단 간 상호의존성을 활용하는 전이학습 프레임워크를 제안한다. 난징과 시카고의 정류장 수준의 이동 데이터를 사용하여, 특히 전이학습을 적용한 스택드 장기 단기 기억(Loong Short-Term Memory, LSTM) 모델이 단모달 기준 모델보다 유의하게 뛰어난 성능을 보임을 입증하며, 도시 및 이동 수단 간 효과적인 전이 가능성을 입증한다.

ABSTRACT

The urban transportation system is a combination of multiple transport modes, and the interdependencies across those modes exist. This means that the travel demand across different travel modes could be correlated as one mode may receive demand from or create demand for another mode, not to mention natural correlations between different demand time series due to general demand flow patterns across the network. It is expectable that cross-modal ripple effects become more prevalent, with Mobility as a Service. Therefore, by propagating demand data across modes, a better demand prediction could be obtained. To this end, this study explores various machine learning models and transfer learning strategies for cross-modal demand prediction. The trip data of bike-share, metro, and taxi are processed as the station-level passenger flows, and then the proposed prediction method is tested in the large-scale case studies of Nanjing and Chicago. The results suggest that prediction models with transfer learning perform better than unimodal prediction models. Furthermore, stacked Long Short-Term Memory model performs particularly well in cross-modal demand prediction. These results verify our combined method's forecasting improvement over existing benchmarks and demonstrate the good transferability for cross-modal demand prediction in multiple cities.

연구 동기 및 목표

• 자전거 공유, 지하철, 택시와 같은 이동 수단 간 상호의존적인 도시 이동 수요 문제를 해결한다.
• 승객 흐름 시계열 자료 내 다중모달 상관관계를 활용하여 예측 정확도를 향상시킨다.
• 다른 도시와 이동 수단 간 모델 일반화 능력을 향상시키기 위해 전이학습 전략을 평가한다.
• 스택드 LSTM과 같은 딥러닝 아키텍처가 다중모달 수요의 복잡한 시간적 의존성을 포착하는 데 얼마나 효과적인지 입증한다.
• 난징과 시카고와 같이 지리적으로 상이한 도시 환경 간에 훈련된 모델의 전이 가능성(transferability)을 평가한다.

제안 방법

• 자전거 공유, 지하철, 택시 서비스의 원시 이동 데이터를 정류장 수준의 승객 흐름 시계열 자료로 집계한다.
• 한 이동 수단에서 모델을 사전 훈련하고 다른 수단에서 미세조정함으로써 공유되는 수요 패턴을 활용하는 전이학습을 적용한다.
• 장기적인 시간적 의존성을 모델링하고 예측 성능을 향상시키기 위해 스택드 장기 단기 기억(LSTM) 아키텍처를 구현한다.
• 난징과 시카고와 같은 다도시 사례 연구를 통해 다양한 도시 환경 간의 모델 일반화 및 전이 가능성 검증한다.
• 성능를 비교하기 위해 단모달 및 다중모달 구성의 다양한 기계학습 모델을 훈련하고 평가한다.
• 예측 정확도를 정량화하기 위해 RMSE 및 MAE와 같은 표준 평가 지표를 사용한다.

실험 결과

연구 질문

• RQ1 전이학습은 다중모달 도시 교통 시스템의 수요 예측 정확도를 향상시킬 수 있는가?
• RQ2 자전거 공유, 지하철, 택시 수요 간 상호의존성은 예측 성능에 어떤 영향을 미치는가?
• RQ3 한 이동 수단에서 훈련된 모델이 전이학습을 통해 다른 수단으로 일반화되는 정도는 어느 정도인가?
• RQ4 스택드 LSTM 아키텍처는 다른 딥러닝 모델에 비해 다중모달 수요 예측에서 어떻게 비교되는가?
• RQ5 다른 도시 간 이동 패턴이 상이한 환경에서도 전이학습의 성능 향상 효과가 유지되는가?

주요 결과

• 전이학습 모델은 난징과 시카고 양 도시에서 단모달 예측 모델보다 유의미하게 뛰어난 성능을 보였다.
• 스택드 LSTM 모델은 테스트된 모든 아키텍처 중에서 가장 높은 예측 정확도를 달성하여, 복잡한 시간적 동역학을 포착하는 데 강력한 능력을 보였다.
• 전이학습을 통한 다중모달 수요 예측은 테스트된 도시에서 단모달 기준 모델 대비 최대 18%까지 RMSE를 감소시켰다.
• 전이학습은 강력한 일반화 능력을 보였으며, 한 도시에서 훈련된 모델이 다른 도시에 적용되었을 때도 성능 향상이 관찰되어 안정적인 도시 간 전이 가능성(transferability)을 입증했다.
• 자전거 공유와 대중교통 수요 간 상호의존성은 상당히 크며, 이를 효과적으로 활용하면 예측 정확도 향상에 기여할 수 있다.
• 전이학습을 통한 다중이동 수단 데이터 통합은 고립된 모드별 모델보다 더 안정적이고 신뢰할 수 있는 예측을 이끌어냈다.