[论文解读] Online Metro Origin-Destination Prediction via Heterogeneous Information Aggregation

Lingbo Liu, Yuying Zhu+4 more|arXiv (Cornell University)|Jul 2, 2021

Traffic Prediction and Management Techniques被引用 8

一句话总结

本文提出了一种新颖的异质信息聚合机器（HIAM），用于在线地铁起讫点（OD）预测，通过双信息变换器联合建模不完整的OD矩阵、未完成的订单向量和DO矩阵，以捕捉OD-DO因果关系。该方法在两个大规模基准数据集上实现了最先进性能，在压缩矩阵上将DO客流的MAPE降低至14.04%，OD客流的MAPE降低至13.31%。

ABSTRACT

Metro origin-destination prediction is a crucial yet challenging time-series analysis task in intelligent transportation systems, which aims to accurately forecast two specific types of cross-station ridership, i.e., Origin-Destination (OD) one and Destination-Origin (DO) one. However, complete OD matrices of previous time intervals can not be obtained immediately in online metro systems, and conventional methods only used limited information to forecast the future OD and DO ridership separately. In this work, we proposed a novel neural network module termed Heterogeneous Information Aggregation Machine (HIAM), which fully exploits heterogeneous information of historical data (e.g., incomplete OD matrices, unfinished order vectors, and DO matrices) to jointly learn the evolutionary patterns of OD and DO ridership. Specifically, an OD modeling branch estimates the potential destinations of unfinished orders explicitly to complement the information of incomplete OD matrices, while a DO modeling branch takes DO matrices as input to capture the spatial-temporal distribution of DO ridership. Moreover, a Dual Information Transformer is introduced to propagate the mutual information among OD features and DO features for modeling the OD-DO causality and correlation. Based on the proposed HIAM, we develop a unified Seq2Seq network to forecast the future OD and DO ridership simultaneously. Extensive experiments conducted on two large-scale benchmarks demonstrate the effectiveness of our method for online metro origin-destination prediction. Our code is resealed at https://github.com/HCPLab-SYSU/HIAM.

研究动机与目标

• 为解决在线地铁起讫点预测中实时无法获取完整历史OD矩阵的挑战。
• 通过利用不完整的OD矩阵和未完成的订单向量等异质历史信息，联合建模OD和DO客流。
• 通过相互特征传播，捕捉OD和DO客流模式之间的因果与相关关系。
• 通过将稀疏的OD/DO矩阵压缩为聚焦于top-k相关站点并合并其余站点的紧凑表示，提升模型泛化能力，从而提高预测精度。
• 开发一个统一的Seq2Seq框架，利用所提出的HIAM模块同时预测未来的OD和DO客流。

提出的方法

• 异质信息聚合机器（HIAM）整合三种数据流：不完整的OD矩阵、未完成的订单向量和DO矩阵，以建模跨站点的出行行为。
• OD建模分支显式估计未完成订单的潜在目的地，以丰富不完整的OD矩阵信息。
• DO建模分支处理DO矩阵，以学习外出乘客的空间-时间模式。
• 双信息变换器在OD和DO特征之间传播相互信息，建模其因果关系与相关性。
• 模型使用矩阵压缩技术，将低客流站点合并为单一的“其余”类别，以提升在稀疏数据上的泛化能力。
• 通过端到端训练统一的Seq2Seq网络，使用HIAM作为核心模块，同时预测未来的OD和DO矩阵。

实验结果

研究问题

• RQ1 联合建模不完整的OD矩阵和DO矩阵是否能提升在线地铁起讫点预测的准确性？
• RQ2 当完整OD矩阵不可用时，引入未完成的订单向量在学习OD模式方面有何增强作用？
• RQ3 OD-DO因果与相关关系在多大程度上改善了预测性能？
• RQ4 将稀疏的OD/DO矩阵压缩为top-K站点与合并的其余站点是否能提升模型泛化能力并降低预测误差？
• RQ5 在在线地铁系统中，预测未来OD/DO客流的最优输入序列长度是多少？

主要发现

• 在使用压缩矩阵时，所提方法在SHMOD数据集上对DO客流的MAPE达到14.04%，对OD客流的MAPE达到13.31%，显著优于使用原始稀疏矩阵的模型。
• 矩阵压缩将弱相关站点的MAPE从80%以上降低至约14%，证明其在处理稀疏性方面的有效性。
• 包含未压缩的弱相关站点数据会降低top-k站点的性能，MAPE从压缩情况下的48.33%上升至非压缩情况下的49.17%。
• 最优输入序列长度为四个时间区间（60分钟），因为更长的序列未带来显著改进，且大多数乘客在该时间窗内完成行程（上海为87.10%，杭州为96.54%）。
• 双信息变换器有效捕捉了OD-DO相关性，HIAM模块在SHMOD和HZMOD数据集的所有时间预测范围内均优于基线模型。
• 该方法在两个大规模地铁基准数据集上实现了最先进性能，验证了其在实时在线预测中的有效性。