[论文解读] Completion and Augmentation based Spatiotemporal Deep Learning Approach for Short-Term Metro Origin-Destination Matrix Prediction under Limited Observable Data

Jiexia Ye, Juanjuan Zhao+2 more|arXiv (Cornell University)|Aug 9, 2021

Traffic Prediction and Management Techniques被引用 4

一句话总结

本文提出了一种基于补全与增强的时空深度学习模型（C-AHGCSP），在可观测数据有限的条件下，提升了短时地铁起讫（OD）矩阵的预测性能。通过利用具有相似属性的站点之间的数据驱动相关性，并结合实时出行演化与行程时间信息对不完整的OD流量进行补全，该模型相较基线模型性能提升最高达4%，且在与其他模型集成时，性能最高可提升2.1%。

ABSTRACT

Short-term OD flow (i.e. the number of passenger traveling between stations) prediction is crucial to traffic management in metro systems. Due to the delayed effect in latest complete OD flow collection, complex spatiotemporal correlations of OD flows in high dimension, it is more challengeable than other traffic prediction tasks of time series. Existing methods need to be improved due to not fully utilizing the real-time passenger mobility data and not sufficiently modeling the implicit correlation of the mobility patterns between stations. In this paper, we propose a Completion based Adaptive Heterogeneous Graph Convolution Spatiotemporal Predictor. The novelty is mainly reflected in two aspects. The first is to model real-time mobility evolution by establishing the implicit correlation between observed OD flows and the prediction target OD flows in high dimension based on a key data-driven insight: the destination distributions of the passengers departing from a station are correlated with other stations sharing similar attributes (e.g. geographical location, region function). The second is to complete the latest incomplete OD flows by estimating the destination distribution of unfinished trips through considering the real-time mobility evolution and the time cost between stations, which is the base of time series prediction and can improve the model's dynamic adaptability. Extensive experiments on two real world metro datasets demonstrate the superiority of our model over other competitors with the biggest model performance improvement being nearly 4\%. In addition, the data complete framework we propose can be integrated into other models to improve their performance up to 2.1\%.

研究动机与目标

• 为解决在数据收集不完整且延迟情况下的短时地铁起讫（OD）矩阵预测挑战。
• 对高维OD流量中的复杂时空相关性进行建模，特别是站点间动态且隐含的出行模式。
• 通过利用实时出行演化与行程时间估计，补全不完整的OD流量，以提升预测精度。
• 设计一种可集成至其他模型中的数据补全框架，以增强其性能。

提出的方法

• 该模型采用自适应异质图卷积（AHGC）模块，以提取多种空间相关性：基于高斯核的地理邻近性、基于KL散度的区域功能相似性，以及基于自注意力机制的全局动态性。
• 提出一种数据补全估计器，通过建模乘客的目的地分布，基于实时出行演化与站间行程时间，估算未完成的行程。
• 核心洞察在于：来自某一站点的乘客目的地分布，与具有相似属性的其他站点的目的地分布存在相关性，从而实现隐式相关性建模。
• 模型通过LSTM模块整合时间依赖性建模，以捕捉OD流量中的序列模式。
• 数据补全过程通过历史延迟OD比率及流入/流出数据进行端到端训练，以在最终数据收集前估计完整的OD矩阵。
• 完整框架为端到端可训练，结合时空建模与动态数据补全，提升模型的适应性与精度。

实验结果

研究问题

• RQ1 如何有效建模具有相似属性的地铁站点之间的隐式空间相关性，以提升OD流量预测性能？
• RQ2 在利用实时出行演化与行程时间信息的前提下，不完整的OD流量数据能在多大程度上被准确补全？
• RQ3 能否设计一种数据补全框架，以增强现有OD预测模型的性能？
• RQ4 数据补全的集成如何影响时空模型在地铁系统中的动态适应性与预测精度？
• RQ5 空间相关性建模与数据补全在整体预测性能提升中的相对贡献分别是什么？

主要发现

• 所提出的C-AHGCSP模型在两个真实地铁数据集上相较现有基线模型，性能提升最高达近4%。
• 仅数据补全框架本身即可使其他模型在WMAPE指标上提升最高达2.1%，且在数据更不完整的数据集（如上海）中提升最为显著。
• 模型性能对LSTM单元数量最为敏感，最优性能出现在256个单元，之后出现过拟合。
• 全局动态性维度与图卷积单元数的最优值分别为16，以及512（上海）或128（深圳），表明低维表示能有效集中稀疏OD信息。
• 基于AHGCSP的估计器优于直接预测最终时间步的OD矩阵，表明利用早期不完整数据中的先验知识可提升估计性能。
• 超参数敏感性分析表明，该模型在不同配置下均表现稳健，尤其在合理调整图卷积与动态性维度后，性能持续优异。