[论文解读] Context-aware demand prediction in bike sharing systems: incorporating spatial, meteorological and calendrical context

Cláudio Sardinha, Anna Carolina Finamore+1 more|arXiv (Cornell University)|May 3, 2021

Urban Transport and Accessibility参考文献 35被引用 5

一句话总结

本文提出了一种上下文感知的基于LSTM的模型，通过整合空间、气象和日历上下文信息，以提升共享单车需求预测的准确性。通过使用带有多变量时间序列掩码和基于前瞻性上下文的时间依赖正则化的串行LSTM，该方法显著提高了预测精度，尤其在处理空间相互依赖性和天气影响方面表现突出。

ABSTRACT

Bike sharing demand is increasing in large cities worldwide. The proper functioning of bike-sharing systems is, nevertheless, dependent on a balanced geographical distribution of bicycles throughout a day. In this context, understanding the spatiotemporal distribution of check-ins and check-outs is key for station balancing and bike relocation initiatives. Still, recent contributions from deep learning and distance-based predictors show limited success on forecasting bike sharing demand. This consistent observation is hypothesized to be driven by: i) the strong dependence between demand and the meteorological and situational context of stations; and ii) the absence of spatial awareness as most predictors are unable to model the effects of high-low station load on nearby stations. This work proposes a comprehensive set of new principles to incorporate both historical and prospective sources of spatial, meteorological, situational and calendrical context in predictive models of station demand. To this end, a new recurrent neural network layering composed by serial long-short term memory (LSTM) components is proposed with two major contributions: i) the feeding of multivariate time series masks produced from historical context data at the input layer, and ii) the time-dependent regularization of the forecasted time series using prospective context data. This work further assesses the impact of incorporating different sources of context, showing the relevance of the proposed principles for the community even though not all improvements from the context-aware predictors yield statistical significance.

研究动机与目标

• 解决由于空间相互依赖性和外部上下文因素导致的共享单车需求预测不准确的问题。
• 通过提升预测精度，改善共享单车系统中的站点平衡和运营效率。
• 系统性地将历史和前瞻性空间、气象及日历上下文信息整合到深度学习模型中。
• 开发一种新型循环神经网络架构，以捕捉异构上下文数据之间的跨变量关系。
• 评估不同上下文来源对预测性能的相对影响，以指导未来模型设计。

提出的方法

• 提出一种由多个LSTM组件组成的串行LSTM架构，用于建模来自空间、气象和日历来源的多变量时间序列数据。
• 在输入层引入多变量时间序列掩码，将历史上下文数据（如过去天气、站点负荷）编码为辅助输入。
• 利用前瞻性上下文数据（如天气预报）对预测输出实施时间依赖的正则化，以优化预测结果在整个预测时间范围内的表现。
• 设计一种基于时间序列中位数的预测器，作为对比的基线模型。
• 利用基于站点距离和容量的空间掩码，建模相邻站点之间的相互依赖关系。
• 在里斯本GIRA共享单车系统的实际数据上训练和评估模型，采用MAE、RMSE和R²等指标。

实验结果

研究问题

• RQ1 整合空间、气象和日历上下文信息在多大程度上提升了共享单车需求预测的准确性？
• RQ2 历史上下文数据与前瞻性上下文数据对预测性能的相对贡献如何？
• RQ3 站点间的空间相互依赖关系在多大程度上影响需求预测？又该如何有效建模？
• RQ4 具有上下文感知掩码和正则化的串行LSTM架构是否能优于标准LSTM和基线模型？
• RQ5 哪些特定的上下文变量（如风速、降水、节假日）对需求预测具有最显著的影响？

主要发现

• 采用多变量掩码和时间依赖正则化的上下文感知LSTM模型，在GIRA系统所有站点的借车预测中实现了2.16 ± 0.22的平均MAE，优于基线模型。
• 同时引入历史和前瞻性天气变量可提升预测精度，其中风速强度和降水对预测影响最为显著。
• 使用空间掩码和互补需求序列可改善预测结果，但误差差异在统计上不显著。
• 历史上下文数据对预测的正向影响略高于前瞻性数据，可能源于天气预报变量的不确定性。
• 该模型在各种复杂条件下表现出稳健性能，尤其在困难测试实例（如Oriente集群）中，上下文感知预测相比标准LSTM显著降低了误差。
• 超参数调优表明，小批量大小和Adam优化器可实现最佳性能，且引入Dropout和L1正则化可进一步提升效果。