[论文解读] Crowd Flow Prediction by Deep Spatio-Temporal Transfer Learning.

Leye Wang, Geng Xu+3 more|arXiv (Cornell University)|Feb 1, 2018

Traffic Prediction and Management Techniques参考文献 7被引用 23

一句话总结

本文提出 RegionTrans，一种深度时空迁移学习框架，通过从数据丰富的源城市迁移知识，实现对数据稀缺目标城市的客流预测。通过社交签到链接城市间区域并最小化隐层表示差异，与最先进方法相比，RegionTrans 将预测误差降低了最多 10.7%。

ABSTRACT

Crowd flow prediction is a fundamental urban computing problem. Recently, deep learning has been successfully applied to solve this problem, but it relies on rich historical data. In reality, many cities may suffer from data scarcity issue when their targeted service or infrastructure is new. To overcome this issue, this paper proposes a novel deep spatio-temporal transfer learning framework, called RegionTrans, which can predict future crowd flow in a data-scarce (target) city by transferring knowledge from a data-rich (source) city. Leveraging social network check-ins, RegionTrans first links a region in the target city to certain regions in the source city, expecting that these inter-city region pairs will share similar crowd flow dynamics. Then, we propose a deep spatio-temporal neural network structure, in which a hidden layer is dedicated to keeping the region representation. A source city model is then trained on its rich historical data with this network structure. Finally, we propose a region-based cross-city transfer learning algorithm to learn the target city model from the source city model by minimizing the hidden representation discrepancy between the inter-city region pairs previously linked by check-ins. With experiments on real crowd flow, RegionTrans can outperform state-of-the-arts by reducing up to 10.7% prediction error.

研究动机与目标

• 解决在历史数据有限的城市中客流预测的挑战。
• 通过利用数据丰富的源城市中的知识，克服城市计算中的数据稀缺问题。
• 开发一种保留城市间空间和时间动态的迁移学习框架。
• 通过区域级对齐实现客流模式在城市间的泛化。
• 通过最小化关联源城市与目标城市区域之间的表示差异，提升目标城市预测的准确性。

提出的方法

• 利用社交网络签到数据，在目标城市与源城市之间建立区域对应关系。
• 设计一种具有专用隐藏层用于区域表示学习的深度时空神经网络。
• 使用所提出的网络架构，在丰富历史数据上训练源城市模型。
• 制定一种基于区域的跨城市迁移学习算法，以最小化关联区域对之间隐层表示的差异。
• 通过在跨城市区域对之间进行表示对齐，微调源模型以优化目标城市模型。
• 利用源城市与目标城市中的时空依赖关系，提升模型的泛化能力和预测鲁棒性。

实验结果

研究问题

• RQ1 能否有效利用数据丰富的城市中的知识，以提升数据稀缺目标城市的客流预测性能？
• RQ2 如何利用社交媒体签到数据识别有意义的城市间区域对应关系？
• RQ3 最小化关联区域之间的隐层表示差异，在多大程度上能提升预测准确性？
• RQ4 与现有的深度学习和迁移学习方法相比，所提出的 RegionTrans 框架在客流预测中的表现如何？
• RQ5 时空表示对齐对模型在城市间泛化能力的影响是什么？

主要发现

• 在真实世界客流数据上，与最先进方法相比，RegionTrans 将预测误差降低了最多 10.7%。
• 通过利用数据丰富的源城市中的知识，该框架在数据稀缺的目标城市中实现了显著的性能提升。
• 利用签到数据进行基于区域的对齐，通过捕捉城市间相似的客流动态，改善了跨城市迁移学习效果。
• 隐层表示最小化策略有效实现了关联区域之间空间与时间模式的迁移。
• 所提出的模型即使在目标城市历史数据有限的情况下，也能在多样化城市环境中实现良好泛化。
• 配备专用区域表示学习的深度时空架构，显著增强了模型的表达能力与可迁移性。