[论文解读] Deep trip generation with graph neural networks for bike sharing system expansion

Yuebing Liang, Fangyi Ding+2 more|arXiv (Cornell University)|Mar 20, 2023

Urban Transport and Accessibility被引用 4

一句话总结

本文提出一种基于图神经网络（GNN）的方法——Spatial-MGAT，用于预测共享单车系统扩展过程中的站点级出行生成量，该方法利用多源城市建成环境数据和带有注意力机制的局部空间图。该模型在新站点上的R²达到0.783，在现有站点上的R²达到0.848，显著优于序列深度学习基线模型，展现出在长期、结构性规划场景中更优的性能与可解释性。

ABSTRACT

Bike sharing is emerging globally as an active, convenient, and sustainable mode of transportation. To plan successful bike-sharing systems (BSSs), many cities start from a small-scale pilot and gradually expand the system to cover more areas. For station-based BSSs, this means planning new stations based on existing ones over time, which requires prediction of the number of trips generated by these new stations across the whole system. Previous studies typically rely on relatively simple regression or machine learning models, which are limited in capturing complex spatial relationships. Despite the growing literature in deep learning methods for travel demand prediction, they are mostly developed for short-term prediction based on time series data, assuming no structural changes to the system. In this study, we focus on the trip generation problem for BSS expansion, and propose a graph neural network (GNN) approach to predicting the station-level demand based on multi-source urban built environment data. Specifically, it constructs multiple localized graphs centered on each target station and uses attention mechanisms to learn the correlation weights between stations. We further illustrate that the proposed approach can be regarded as a generalized spatial regression model, indicating the commonalities between spatial regression and GNNs. The model is evaluated based on realistic experiments using multi-year BSS data from New York City, and the results validate the superior performance of our approach compared to existing methods. We also demonstrate the interpretability of the model for uncovering the effects of built environment features and spatial interactions between stations, which can provide strategic guidance for BSS station location selection and capacity planning.

研究动机与目标

• 为解决在系统扩展过程中预测新共享单车站点出行生成量的挑战，现有模型因结构变化和数据稀疏性而失效。
• 开发一种空间回归框架，捕捉站点之间复杂的空间依赖关系与相互作用，而无需依赖时间序列。
• 通过揭示建成环境特征与空间相关性对需求模式的影响，提升模型的可解释性。
• 为长期城市交通规划中的站点选址与容量规划提供战略指导。
• 利用多 年纽约市数据，验证模型在真实共享单车系统扩展场景中的有效性。

提出的方法

• 为每个目标站点构建多个以该站点为中心的局部图，以可扩展的方式建模空间关系。
• 采用注意力机制学习站点之间的动态相关性权重，捕捉非线性空间交互关系。
• 将多源城市建成环境特征（如土地利用、人口、兴趣点POI）作为每个站点的节点特征进行整合。
• 将问题建模为广义空间回归模型，将GNN与传统空间回归框架相连接。
• 使用历史需求数据与城市特征进行模型训练，损失函数通过RMSE与R²指标进行优化。
• 采用简化的评估设置，K=6个月，T=6个月，以模拟真实世界中的系统扩展场景。

实验结果

研究问题

• RQ1 基于GNN的模型是否能在系统扩展期间对新共享单车站点的出行生成量预测中，优于序列深度学习模型？
• RQ2 该模型在不依赖时间需求序列的情况下，能否有效捕捉站点之间的空间依赖关系与相互作用？
• RQ3 模型的注意力权重在多大程度上能揭示建成环境特征与站点需求之间可解释的关系？
• RQ4 当新站点未包含在历史网络中，尤其是距离现有站点较远时，模型表现如何？
• RQ5 该模型是否能推广至系统结构变化频繁且数据稀疏性高的长期规划场景？

主要发现

• 所提出的Spatial-MGAT模型在新站点预测中的R²达到0.783，在现有站点中的R²达到0.848，显著优于DDP-Exp（R²=0.325和0.621）与MOHER（R²=0.663和0.653）。
• 该模型在数据稀疏场景下表现出更强的鲁棒性，尤其在远离现有站点的新站点中表现更优，而序列模型因缺乏邻近历史数据而失效。
• 模型的注意力权重揭示了有意义的空间相关性，如邻近站点及POI聚集区域的影响，显著增强了规划人员的可解释性。
• 当系统结构发生变化时，该模型性能依然稳定，而序列模型因假设网络配置稳定而表现下降。
• 该方法具备可解释性，可通过识别驱动需求的关键建成环境特征（如人口密度与混合用途开发）为战略决策提供支持。
• 本研究证实，GNN可被有效建模为广义空间回归模型，成功弥合了传统空间统计与深度学习之间的鸿沟。