[논문 리뷰] Deep Multi-View Spatial-Temporal Network for Taxi Demand Prediction

Huaxiu Yao, Fei Wu외 7명|arXiv (Cornell University)|2018. 02. 23.

Traffic Prediction and Management Techniques참고 문헌 19인용 수 260

한 줄 요약

DMVST-Net은 공간, 시간 및 의미 관계를 공동으로 모델링하여 택시 수요를 예측하고, 광저우의 대규모 데이터에서 최첨단 기준선보다 성능을 향상시킵니다.

ABSTRACT

Taxi demand prediction is an important building block to enabling intelligent transportation systems in a smart city. An accurate prediction model can help the city pre-allocate resources to meet travel demand and to reduce empty taxis on streets which waste energy and worsen the traffic congestion. With the increasing popularity of taxi requesting services such as Uber and Didi Chuxing (in China), we are able to collect large-scale taxi demand data continuously. How to utilize such big data to improve the demand prediction is an interesting and critical real-world problem. Traditional demand prediction methods mostly rely on time series forecasting techniques, which fail to model the complex non-linear spatial and temporal relations. Recent advances in deep learning have shown superior performance on traditionally challenging tasks such as image classification by learning the complex features and correlations from large-scale data. This breakthrough has inspired researchers to explore deep learning techniques on traffic prediction problems. However, existing methods on traffic prediction have only considered spatial relation (e.g., using CNN) or temporal relation (e.g., using LSTM) independently. We propose a Deep Multi-View Spatial-Temporal Network (DMVST-Net) framework to model both spatial and temporal relations. Specifically, our proposed model consists of three views: temporal view (modeling correlations between future demand values with near time points via LSTM), spatial view (modeling local spatial correlation via local CNN), and semantic view (modeling correlations among regions sharing similar temporal patterns). Experiments on large-scale real taxi demand data demonstrate effectiveness of our approach over state-of-the-art methods.

연구 동기 및 목표

• 스마트 시티에서 자원 배치를 최적화하고 공차 택시(빈 택시) 감소를 목표로 정확한 택시 수요 예측의 동기를 부여한다.
• 공간적, 시간적, 의미적 상관관계를 통합하는 통합 프레임워크를 제안한다.
• 지역적인 공간 모델링, 순차적 시간 동역학, 의미 있는 지역 간 유사성을 활용하여 예측 성능을 향상시킨다.

제안 방법

• Three-view DMVST-Net 프레임워크는 근접 지역 공간 의존성을 위한 로컬 CNN, 시간적 시퀀스 모델링을 위한 LSTM, 지역 간 유사성에 대한 의미 그래프 임베딩을 결합한다.
• 로컬 CNN은 중심화된 SxS 이웃 이미지에서 작동하여 서로 다른 지역 간에 공유 파라미터로 로컬 공간 패턴을 포착한다.
• Temporal view는 컨텍스트 특징을 입력으로 연결한 상태에서 시계열 수요를 모델링하기 위해 LSTM을 사용한다.
• Semantic view는 주간 수요 패턴에서 Dynamic Time Warping을 사용하여 지역 간 유사도 그래프를 구성하고, 노드를 LINE으로 임베딩하며 임베딩을 예측에 통합한다.
• 최종 예측은 LSTM 출력과 의미 임베딩을 완전 연결 네트워크를 통해 결합하고 시그모이드 출력으로 끝난 뒤 실제 수요 값으로의 역정규화(denormalization)를 수행한다.
• 손실은 MSE와 가중된 제곱 상대 오차(MAPE 구성 요소)를 결합하여 큰 값과 상대 정확도 간의 균형을 맞춘다.

실험 결과

연구 질문

• RQ1 Can a unified deep framework capture local spatial, temporal, and semantic region correlations for taxi demand prediction?
• RQ2 Does incorporating semantic similarity among distant regions improve forecasting beyond local spatial and temporal models?
• RQ3 How do variants (temporal-only, with spatial, with semantic, with local CNN) compare in predictive accuracy?
• RQ4 What are the robustness characteristics of DMVST-Net across days of the week and varying LSTM sequence lengths?

주요 결과

Method	MAPE	RMSE
Historical average	0.2513	12.167
ARIMA	0.2215	11.932
Ordinary least squares regression	0.2063	10.234
Ridge regression	0.2061	10.224
Lasso	0.2091	10.327
Multiple layer perceptron	0.1840	10.609
XGBoost	0.1953	10.012
ST-ResNet	0.1971	10.298
DMVST-Net	0.1616	9.642

• DMVST-Net은 최적의 종합 성능을 달성하며 MAPE 0.1616 및 RMSE 9.642를 기록하여 모든 기준선보다 우수하다.
• 기준선 방법에는 HA, ARIMA, OLSR, Ridge, Lasso, MLP, XGBoost, ST-ResNet가 포함되며, DMVST-Net은 최상의 기준선 대비 MAPE를 12.17% 및 RMSE를 3.70% 개선한다.
• 결빙 연구에서 시간-적 의미 및 시간-적 로컬-공간 변형은 시간-적 의미만 있는 경우보다 성능이 향상되며, 전체 다중 뷰 모델이 최상의 결과를 낳는다(MAPE 0.1616, RMSE 9.642).
• 로컬 CNN(LCNN)은 단순 이웃-집계 방식보다 뛰어나 비선형 로컬 공간 모델링의 가치를 강조한다.
• 의미 뷰를 통한 지역 임베딩은 추가 이점을 제공하며, 시간 뷰와 결합될 때 MAPE를 더 낮춘다.
• DMVST-Net은 요일별로 강인한 성능을 보이며 주말 예측이 더 어려운 편인데도 주말-평일 오차 증가가 가장 작다.