[论文解读] SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data

Bang An, Xun Zhou+2 more|arXiv (Cornell University)|Sep 30, 2023

Traffic Prediction and Management TechniquesEngineering被引用 3

一句话总结

SpatialRank 提出了一种深度学习模型，通过结合自适应图卷积网络与兼顾空间自相关性的混合 NDCG 损失函数，直接优化城市事件预测中的排序性能。该模型通过利用空间感知的重要性采样和代理损失优化，在真实世界中的犯罪和交通事故数据集上，相较于最先进方法，NDCG 最高提升 12.7%。

ABSTRACT

The problem of urban event ranking aims at predicting the top-k most risky locations of future events such as traffic accidents and crimes. This problem is of fundamental importance to public safety and urban administration especially when limited resources are available. The problem is, however, challenging due to complex and dynamic spatio-temporal correlations between locations, uneven distribution of urban events in space, and the difficulty to correctly rank nearby locations with similar features. Prior works on event forecasting mostly aim at accurately predicting the actual risk score or counts of events for all the locations. Rankings obtained as such usually have low quality due to prediction errors. Learning-to-rank methods directly optimize measures such as Normalized Discounted Cumulative Gain (NDCG), but cannot handle the spatiotemporal autocorrelation existing among locations. In this paper, we bridge the gap by proposing a novel spatial event ranking approach named SpatialRank. SpatialRank features adaptive graph convolution layers that dynamically learn the spatiotemporal dependencies across locations from data. In addition, the model optimizes through surrogates a hybrid NDCG loss with a spatial component to better rank neighboring spatial locations. We design an importance-sampling with a spatial filtering algorithm to effectively evaluate the loss during training. Comprehensive experiments on three real-world datasets demonstrate that SpatialRank can effectively identify the top riskiest locations of crimes and traffic accidents and outperform state-of-art methods in terms of NDCG by up to 12.7%.

研究动机与目标

• 为解决在犯罪和交通事故等城市事件中，传统预测模型无法确保准确的 top-k 排名问题。
• 克服标准学习排序方法忽略空间自相关性、将位置视为独立个体的局限性。
• 通过自适应图卷积层建模动态时空依赖关系，提升排序质量。
• 通过结合全局与局部 NDCG 指标的混合损失函数，提升训练效率与排序准确性。
• 提出一种结合空间过滤的新颖重要性采样策略，以有效评估训练过程中不可微的 NDCG 代理函数。

提出的方法

• SpatialRank 采用自适应图卷积层，从输入特征和历史事件模式中动态学习城市位置之间的时空关系。
• 引入一种混合损失函数，结合标准 NDCG 损失与局部 NDCG 损失，以提升在空间聚集风险区域的排序质量。
• 模型使用代理函数近似不可微的 NDCG 指标，从而支持通过反向传播进行端到端训练。
• 设计了一种结合空间过滤的新颖重要性采样机制，以在训练过程中优先考虑对排序目标影响更大的位置。
• 框架整合了社会环境属性（如天气、道路网络）和事件数量作为输入特征，以提供时空表征信息。
• 通过可微分的 NDCG 代理函数进行训练，结合空间过滤以降低计算成本，同时保持排序保真度。

实验结果

研究问题

• RQ1 能否通过直接在城市事件数据上优化 NDCG 的深度学习模型，在 top-k 排名准确性上超越传统基于回归的预测模型？
• RQ2 如何显式建模相邻位置之间的空间自相关性，以提升城市事件预测中局部的排序质量？
• RQ3 与仅使用全局 NDCG 相比，引入局部 NDCG 损失组件在多大程度上增强了模型识别高风险聚集区的能力？
• RQ4 基于空间过滤的重要性采样在提升 NDCG 代理函数训练效率与收敛性方面有多有效？
• RQ5 自适应图卷积机制是否能有效捕捉稀疏城市事件数据中的动态时空依赖关系？

主要发现

• SpatialRank 在三个真实世界数据集上相较最先进方法，NDCG 最高提升 12.7%，证明其在 top-k 排名性能上的优越性。
• 通过 Cross-K 函数验证，模型显著提升了预测事件位置与实际事件位置之间的空间相关性，显示预测密度在真实事件周围更高，优于基线模型。
• 结合全局与局部 NDCG 的混合损失函数，显著改善了对风险聚集区的排序，尤其在事件空间集中区域表现更优。
• 结合空间过滤的重要性采样机制在降低训练成本的同时保持了高排名准确性，使大规模城市场景下的 NDCG 优化成为可能。
• SpatialRank 在犯罪和交通事故预测任务中均优于现有模型，且在不同城市环境和数据稀疏性水平下均保持一致的性能增益。
• 模型在处理空间异质性和数据稀疏性方面表现出鲁棒性，尽管在更稀疏的数据集（如爱荷华州）上性能增益较小，表明在极端稀疏场景下仍有进一步优化空间。