[論文レビュー] Recurrent Multi-Graph Neural Networks for Travel Cost Prediction

Jilin Hu, Chenjuan Guo+3 more|arXiv (Cornell University)|Nov 13, 2018

Traffic Prediction and Management Techniques参考文献 49被引用数 5

ひとこと要約

本稿では、行列分解、グラフ畳み込みネットワーク、再帰的ネットワークを統合した再帰的マルチグラフニューラルネットワークフレームワークを提案する。この手法は、移動コスト予測のためのスパースで確率的な出発地・目的地（OD）行列を予測することを目的としている。本手法はデータのスパarsityに対処し、複雑な空間時系列相関を捉えることができ、2つの実世界のタクシーデータセットにおいて複数の指標で最先端の性能を達成した。

ABSTRACT

Origin-destination (OD) matrices are often used in urban planning, where a city is partitioned into regions and an element (i, j) in an OD matrix records the cost (e.g., travel time, fuel consumption, or travel speed) from region i to region j. In this paper, we partition a day into multiple intervals, e.g., 96 15-min intervals and each interval is associated with an OD matrix which represents the costs in the interval; and we consider sparse and stochastic OD matrices, where the elements represent stochastic but not deterministic costs and some elements are missing due to lack of data between two regions. We solve the sparse, stochastic OD matrix forecasting problem. Given a sequence of historical OD matrices that are sparse, we aim at predicting future OD matrices with no empty elements. We propose a generic learning framework to solve the problem by dealing with sparse matrices via matrix factorization and two graph convolutional neural networks and capturing temporal dynamics via recurrent neural network. Empirical studies using two taxi datasets from different countries verify the effectiveness of the proposed framework.

研究の動機と目的

• 歴史的にスパースで不確実な移動コストデータから、完全で非スパースな確率的OD行列を予測する課題に対処すること。
• グラフベースの表現を用いて、都市交通パターンにおける複雑な空間時系列相関をモデル化すること。
• 行列分解、グラフ畳み込み、再帰的ネットワークを統合したエンドツーエンド予測を実現するディープラーニングフレームワークの開発。
• 空間的・時系列的ダイナミクスの異なる実世界データセット上でフレームワークの評価。
• 異なる都市や交通状態において、そのロバストネスと一般化性能を示すこと。

提案手法

• フレームワークは、低ランクの空間的および時系列的成分に分解することで、スパースな歴史的OD行列の欠損値を行列分解を用いて補完する。
• 空間的近接性に基づく地域間の近接性グラフと、OD行列の時系列的類似性に基づくグラフをそれぞれ構築し、空間的および時系列的依存関係をモデル化する。
• 二段階のグラフ畳み込みネットワーク（GCN）が、因子分解された行列から空間的および時系列的相関を持つ特徴を抽出する。
• グラフ符号化後に、再帰的ニューラルネットワーク（LSTM）が順次OD行列の系列を処理し、長期的な時系列的ダイナミクスを捉える。
• 全OD行列テンソルの予測誤差を最小化するマルチタスク損失関数を用いて、エンドツーエンドでモデルを学習する。
• 最終出力は、各地域ペアの移動コストに関する確率分布を有する密度型の確率的OD行列である。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングフレームワークは、スパースな歴史的データから完全な確率的OD行列を効果的に予測できるか？
• RQ2 グラフ畳み込みネットワークは、都市交通OD行列における空間的相関をどの程度うまくモデル化できるか？
• RQ3 再帰的構造による時系列的ダイナミクスの統合が、予測精度をどの程度向上させるか？
• RQ4 フレームワークは、時間帯のパターンや空間的距離の異なる状況でもどの程度の性能を示すか？
• RQ5 近接性行列の構築パラメータ（σとα）のハイパーパrameter選択に対して、フレームワークはロバストか？

主な発見

• 提案された高度なフレームワーク（AF）は、ニューヨーク市および成都のタクシーデータセットの両方で、EMD、KL、JSの全評価指標において最高の性能を達成した。
• AFはベースラインモデル（BF、FC）を明確に上回り、特にデータスパarsityの処理や長期的な時系列トレンドの捉え方において優位性を示した。
• 地域間の距離が増加するにつれて予測精度は低下するが、AFは長距離のODペアに対しても、他の代替手法と比べて著しく高い正確性を維持した。
• 近接性行列構築におけるハイパーパrameter σおよび α に対して、モデルはロバストであることが示され、異なる空間モデリング選択に対しても安定した性能を示した。
• 交通ダイナミクスが低い時期（例：深夜）では性能が最も高く、ピーク時間帯では確率性の増大とルートの多様性により精度が低下した。
• 行列分解とグラフおよび再帰的ネットワークの統合により、学習データで65％の地域ペアしか観測されていなくても、効果的な補完と一般化が可能となった。