[論文レビュー] Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction

Lingbo Liu, Jingwen Chen+4 more|arXiv (Cornell University)|Jan 14, 2020

Traffic Prediction and Management Techniques参考文献 75被引用数 20

ひとこと要約

本稿では、物理的・類似性・相関性の3つのグラフを用いて空間的・時系列的パターンを捉えることで、地下鉄利用者数をモデル化する、物理仮想協調グラフニューラルネットワーク（PVCGN）を提案する。Seq2Seqフレームワーク内にグラフ畳み込みゲート付き再帰型ユニット（GC-GRU）と全結合ゲート付き再帰型ユニット（FC-GRU）を統合することで、上海および杭州の地下鉄データセットにおいて最先端の性能を達成し、オンライン出発地到着（OD）予測においてベースライン手法比でMAPEを28.7%低減した。

ABSTRACT

Due to the widespread applications in real-world scenarios, metro ridership prediction is a crucial but challenging task in intelligent transportation systems. However, conventional methods either ignore the topological information of metro systems or directly learn on physical topology, and cannot fully explore the patterns of ridership evolution. To address this problem, we model a metro system as graphs with various topologies and propose a unified Physical-Virtual Collaboration Graph Network (PVCGN), which can effectively learn the complex ridership patterns from the tailor-designed graphs. Specifically, a physical graph is directly built based on the realistic topology of the studied metro system, while a similarity graph and a correlation graph are built with virtual topologies under the guidance of the inter-station passenger flow similarity and correlation. These complementary graphs are incorporated into a Graph Convolution Gated Recurrent Unit (GC-GRU) for spatial-temporal representation learning. Further, a Fully-Connected Gated Recurrent Unit (FC-GRU) is also applied to capture the global evolution tendency. Finally, we develop a Seq2Seq model with GC-GRU and FC-GRU to forecast the future metro ridership sequentially. Extensive experiments on two large-scale benchmarks (e.g., Shanghai Metro and Hangzhou Metro) well demonstrate the superiority of our PVCGN for station-level metro ridership prediction. Moreover, we apply the proposed PVCGN to address the online origin-destination (OD) ridership prediction and the experiment results show the universality of our method. Our code and benchmarks are available at https://github.com/HCPLab-SYSU/PVCGN.

研究の動機と目的

• 既存の地下鉄利用者数予測手法が、トポロジー構造を無視するか、物理的トポロジーに依存するという限界を是正すること。
• 乗客流れの類似性および相関性から導出される仮想的トポロジーを統合することで、複雑な利用者数の変化パターンをモデル化すること。
• 局所的な空間的依存関係とグローバルな時系列的トレンドの両方を捉えることのできる統合的グラフニューラルネットワークフレームワークの構築。
• 実世界の地下鉄データセットを用いた評価および、不完全なデータを伴うオンライン出発地到着（OD）利用者数予測への応用拡張。
• 提案手法の普遍性とロバスト性が、異なる地下鉄システムおよび予測シナリオにおいても一貫して示されることの実証。

提案手法

• 物理的グラフは、実世界の地下鉄トポロジーに基づき、直接接続された駅間関係を保持する。
• 類似性グラフは、駅間の歴史的乗客流れの類似性を用いて構築され、機能的に類似したが非隣接の駅間にも仮想的な接続を可能にする。
• 相関性グラフは、駅間の流れの相関関係に基づき構築され、物理的隣接性を超えた方向性のある流れの依存関係を捉える。
• これらの3つのグラフは、グラフ畳み込みゲート付き再帰型ユニット（GC-GRU）に統合され、共同での空間的・時系列的表現学習が行われる。
• 全結合ゲート付き再帰型ユニット（FC-GRU）は、すべての駅にわたるグローバルな利用者数の変化トレンドをモデル化するために用いられる。
• Seq2Seqアーキテクチャは、GC-GRUとFC-GRUを統合し、各駅の将来の利用者数を段階的に予測する。

実験結果

リサーチクエスチョン

• RQ1 統合的グラフニューラルネットワークフレームワークは、物理的および仮想的トポロジーを効果的にモデル化することで、地下鉄利用者数予測の精度を向上させることができるか？
• RQ2 類似性および相関性に基づく仮想的グラフは、物理的トポロジーに依存する手法と比較して、予測性能をどの程度向上させるか？
• RQ3 不完全なデータを伴うオンライン出発地到着（OD）利用者数予測に、提案されたPVCGNはどの程度一般化可能か？
• RQ4 空間的モデリング（GC-GRUによる）とグローバルトレンドモデリング（FC-GRUによる）が、全体の予測精度に果たす相対的寄与度はいかほどか？
• RQ5 実世界の地下鉄データセットにおいて、PVCGNはRMSE、MAE、MAPEの観点から最先端のベースライン手法と比較してどの程度優れているか？

主な発見

• PVCGNは、上海地下鉄および杭州地下鉄の2つの大規模なベンチマークで最先端の性能を達成し、すべての評価指標で既存手法を上回った。
• オンラインOD利用者数予測タスクにおいて、PVCGNは4番目の時間インターバルでMAPEを24.52%まで低下させ、歴史的平均ベースライン比で28.7%の相対的改善を達成した。
• 物理的、類似性、相関性の3つのグラフの統合は、空間的表現学習を顕著に向上させ、非局所的な利用者数パターンの捉え込みを可能にした。
• FC-GRU部は、グローバルな時系列的トレンドを効果的にモデル化し、長期予測精度の向上に寄与した。
• 本手法は、異なる地下鉄システムおよび予測シナリオにおいて一貫した性能を示す強力な一般化能力を有していることが実証された。
• アブレーションスタディの結果、仮想的トポロジー（類似性および相関性グラフ）が最適な性能を達成するために不可欠であり、物理的トポロジーのみでは不十分であることが確認された。