[論文レビュー] Tensor Completion for Weakly-dependent Data on Graph for Metro Passenger Flow Prediction

Ziyue Li, Nurettin Dorukhan Sergin+3 more|arXiv (Cornell University)|Dec 11, 2019

Tensor decomposition and applications参考文献 9被引用数 11

ひとこと要約

本稿では、メトロ駅ネットワーク上の弱い相関を持つ空間パターンをモデル化するため、L1ノルムおよびグラフラプラシアン正則化を組み込んだ新しい低ランクCANDECOMP/PARAFAC（CP）テンソル補完フレームワークを提案する。地理的および文脈的グラフを併用することで、香港のメトロ乗客流れデータに対して予測精度を著しく向上させ、ベースライン手法と比較してMSEを最大60％まで低減した。

ABSTRACT

Low-rank tensor decomposition and completion have attracted significant interest from academia given the ubiquity of tensor data. However, the low-rank structure is a global property, which will not be fulfilled when the data presents complex and weak dependencies given specific graph structures. One particular application that motivates this study is the spatiotemporal data analysis. As shown in the preliminary study, weakly dependencies can worsen the low-rank tensor completion performance. In this paper, we propose a novel low-rank CANDECOMP / PARAFAC (CP) tensor decomposition and completion framework by introducing the $L_{1}$-norm penalty and Graph Laplacian penalty to model the weakly dependency on graph. We further propose an efficient optimization algorithm based on the Block Coordinate Descent for efficient estimation. A case study based on the metro passenger flow data in Hong Kong is conducted to demonstrate improved performance over the regular tensor completion methods.

研究の動機と目的

• 標準的な低ランクテンソル補完手法が、グラフ構造を持つネットワーク上の弱い相関を持つ時空間データを処理する際の限界を克服すること。
• グローバルな低ランク構造を仮定するのではなく、地理的および文脈的グラフを用いて駅間の局所的依存関係をモデル化すること。
• CPテンソル分解にグラフベースの正則化を組み込むことで、メトロ乗客流れの予測精度を向上させること。
• スケーラブルな推定を可能とするブロック座標降下に基づく効率的な最適化アルゴリズムの開発。
• 実世界の香港メトロ乗客流れデータを用いたフレームワークの検証と比較ベンチマーク

提案手法

• L1ノルム正則化によるスパarsity促進と、駅ネットワーク上の弱い依存関係を符号化するためのグラフラプラシアン正則化を組み合わせた正則化CPテンソル分解フレームワークを導入。
• 乗客流れを3モードテンソル（駅 × 時刻 × 日）としてモデル化し、駅モードに地理的および文脈的（POIベース）の2つのグラフによる弱い依存関係を組み込む。
• ブロック座標降下を用いて目的関数を最適化し、反復的に因子行列と正則化パラメータを更新。
• 空間的近接性に基づく（NETグラフ）および機能的類似性に基づく（POIグラフ）2つのグラフ構造を統合し、それぞれに固有のペナルティ係数を設定。
• ハイパーパrameter β（低ランク）、α（弱い依存関係）、γ（POIグラフ）、δ（NETグラフ）に対して、それぞれステップサイズ10、100、10、10のグリッドサーチを実施。
• 目的関数は、低ランク近似、L1正則化、およびグラフラプラシアン正則化を組み合わせ、駅レベルの局所的依存関係を保持する

実験結果

リサーチクエスチョン

• RQ1 グラフ構造を持つデータに対して弱い依存関係を明示的にモデル化するテンソル補完手法は、標準的な低ランクテンソル補完を上回る性能を示すか？
• RQ2 地理的および文脈的という異なるグラフ構造は、乗客流れ予測の精度にどのように影響を与えるか？
• RQ3 L1およびグラフラプラシアン正則化を組み込むことで、弱い相関を持つメトロ流れデータの補完性能はどの程度向上するか？
• RQ4 提案された最適化アルゴリズムは、実世界の時空間テンソル補完タスクにおいて効率的かつスケーラブルか？
• RQ5 グローバルトレンドから逸脱する独自または周期的でない流れパターンを示す駅において、本手法はどのように性能を発揮するか？

主な発見

• 提案手法WDGTCは、MSE 2.68 × 10⁶およびMAPE 63%を達成し、比較対象すべてのベースライン手法を上回る精度を示した。
• 2番目に優れたベースライン（FBCP）と比較してMSEを約60％低減したが、主な要因は弱い依存関係ペナルティに起因する。
• POIグラフペナルティはMSEの約30％低減に寄与し、NETグラフペナルティは約10％の低減に貢献した。
• 駅ごとの性能（表3）では、15駅中12駅で最高またはほぼ最高の結果を記録し、特に複雑または独自の流れパターンを示す駅で顕著な優位性を示した。
• geomCG手法はデータの疎らさと早期収束のため、意味のある予測を生成できず、欠損データの蓄積の困難さを浮き彫りにした。
• 最適パラメータ組み合わせ（No. 5）では、すべてのペナルティ項に非ゼロ値が使用されており、完成精度向上にそれらの必要性が裏付けられた。