[논문 리뷰] Uncertainty Quantification of Spatiotemporal Travel Demand with Probabilistic Graph Neural Networks

Qingyi Wang, Shenhao Wang외 3명|arXiv (Cornell University)|2023. 03. 07.

Transportation Planning and Optimization인용 수 6

한 줄 요약

이 논문은 도시 이동 수요의 시공간적 불확실성을 정량화하기 위해 확률적 그래프 신경망(Prob-GNN) 프레임워크를 제안한다. 이 프레임워크는 예측 불확실성을 모델링하기 위해 확률적 분포(예: 잘린 정규분포, 라플라스)를 사용하면서도 높은 점 추정 정확도를 유지한다. 이 프레임워크는 특히 이중 매개변수 분포에서 뛰어난 불확실성 校정 성능을 보이며, 도메인 이동(예: 코로나19)에 대해 강건하며, 불확실성이 오후 정점 시간대와 고속도로 정류장에서 집중되어 있음을 드러낸다.

ABSTRACT

Recent studies have significantly improved the prediction accuracy of travel demand using graph neural networks. However, these studies largely ignored uncertainty that inevitably exists in travel demand prediction. To fill this gap, this study proposes a framework of probabilistic graph neural networks (Prob-GNN) to quantify the spatiotemporal uncertainty of travel demand. This Prob-GNN framework is substantiated by deterministic and probabilistic assumptions, and empirically applied to the task of predicting the transit and ridesharing demand in Chicago. We found that the probabilistic assumptions (e.g. distribution tail, support) have a greater impact on uncertainty prediction than the deterministic ones (e.g. deep modules, depth). Among the family of Prob-GNNs, the GNNs with truncated Gaussian and Laplace distributions achieve the highest performance in transit and ridesharing data. Even under significant domain shifts, Prob-GNNs can predict the ridership uncertainty in a stable manner, when the models are trained on pre-COVID data and tested across multiple periods during and after the COVID-19 pandemic. Prob-GNNs also reveal the spatiotemporal pattern of uncertainty, which is concentrated on the afternoon peak hours and the areas with large travel volumes. Overall, our findings highlight the importance of incorporating randomness into deep learning for spatiotemporal ridership prediction. Future research should continue to investigate versatile probabilistic assumptions to capture behavioral randomness, and further develop methods to quantify uncertainty to build resilient cities.

연구 동기 및 목표

• 딥 러닝 기반 이동 수요 예측의 정확도 향상에도 불구하고 불확실성 정량화의 부족을 해결한다.
• 도시 대중교통 및 릭쉐어링 수요의 시공간적 불확실성을 모델링하기 위해 확률적 가정을 그래프 신경망에 통합하는 일반화 가능한 프레임워크를 개발한다.
• 확률적 가정(예: 분포 유형)과 결정적 아키텍처 선택(예: GCN, GAT)이 불확실성 및 점 추정 성능에 미치는 상대적 영향을 조사한다.
• 코로나19 패an드믹과 같은 실제 세계의 중대한 충격 상황에서, 코로나19 이전에 학습된 모델을 사용해 모델의 일반화 능력을 평가한다.
• 실시간 시스템 관리 및 장기적 도시 회복력 계획을 위한 정보를 제공하기 위해 불확실성의 공간적 및 시간적 패턴을 규명한다.

제안 방법

• 결정적 그래프 신경망 아키텍처(GCN, GAT)와 확률적 출력 분포를 조합하여 이동 수요 예측의 불확실성을 모델링하는 Prob-GNN 프레임워크를 제안한다.
• 여섯 가지 확률적 가정—HomoG, Pois, HetG, TG, GEns, Lap—을 사용하여 다양한 분포 특성(예: 고정 분산, 무거운 尾, 잘림)을 모델링한다.
• 점 예측과 불확실성 추정을 동시에 최적화하기 위해 음의 로그우도(NLL) 손실을 사용하며, 평가에는 NLL 및 校정 오차 지표를 활용한다.
• 실제 대중교통 및 릭쉐어링 데이터셋(시카고)을 대상으로 프레임워크를 적용하고, 코로나19 이전 및 이후 기간에서의 성능을 평가하여 도메인 이동에 대한 강건성 테스트를 수행한다.
• 히트맵과 이상 탐지 기법을 활용해 시공간적 불확실성 패턴을 시각화하고 분석하여 고불확실성 정류장과 시간대를 식별한다.
• 다양한 확률적 및 결정적 설정 간의 모델 성능을 비교하여 각 가정 유형이 예측 품질에 미치는 영향을 분리 분석한다.

실험 결과

연구 질문

• RQ1 다양한 확률적 가정(예: 분포 유형, 정의역, 꼬리 행동)이 이동 수요 예측의 불확실성 정량화 성능에 어떤 영향을 미치는가?
• RQ2 결정적 아키텍처 선택(예: GCN 대비 GAT, 깊이, 드롭아웃)이 확률적 가정에 비해 불확실성 및 점 추정 정확도에 얼마나 큰 영향을 미치는가?
• RQ3 코로나19 패안드믹과 같은 중대한 도메인 이동 상황에서도 Prob-GNN는 정확한 불확실성 추정을 유지할 수 있는가?
• RQ4 대중교통 및 릭쉐어링 수요의 불확실성은 공간적·시간적으로 어떤 패턴을 보이며, 이를 바탕으로 운영 의사결정에 어떻게 활용할 수 있는가?
• RQ5 불확실성 정량화의 통합이 실제 도시 이동 시스템의 강건성 및 회복력에 어떻게 기여하는가?

주요 결과

• 특히 이중 매개변수 분포(예: 잘린 정규분포, 라플라스)와 같은 확률적 가정이 결정적 아키텍처 선택보다 불확실성 예측 성능에 훨씬 더 큰 영향을 미치며, NLL을 최대 20% 향상시키고, 校정 오차를 1-3배 감소시킨다.
• 결정적 구성요소(GCN, GAT 등)는 성능에 거의 영향을 미치지 않으며, 확률적 가정을 동일하게 유지할 경우 아키텍처 간 NLL 손실 차이가 3% 미만이다.
• 도메인 이동 상황(예: 코로나19 이후)에서 점 예측 성능이 크게 떨어질지라도, 불확실성 예측은 정확하고 잘 校정되어 Prob-GNN 프레임워크의 뛰어난 일반화 능력을 입증한다.
• 불확실성은 공간적으로 고속도로 정류장에 집중되어 있고, 시간적으로 오후 정점 시간대에 집중되어 있어, 시스템 모니터링 및 수요 관리에 실질적인 정보를 제공한다.
• 프레임워크는 불확실성이 비정상적으로 높은 정류장(예: 블루 라인의 Division/Milwaukee)을 성공적으로 식별하며, 이는 잠재적 시스템 장애를 경고하고 사전 조치를 유도할 수 있다.
• Prob-GNN 프레임워크는 패안드믹 이후 여러 테스트 기간 동안 안정적인 성능을 유지하여 대규모 시스템 충격에 대한 회복력과 변화하는 이동 패턴에 대한 강건성을 입증한다.