[论文解读] Exploiting Interpretable Patterns for Flow Prediction in Dockless Bike Sharing Systems

Jingjing Gu, Qiang Zhou+5 more|arXiv (Cornell University)|Apr 13, 2020

Traffic Prediction and Management Techniques参考文献 25被引用 8

一句话总结

本文提出了一种可解释的共享单车流量预测（IBFP）框架，利用图正则化稀疏表示与子空间聚类结合稀疏表示，从无桩共享单车数据中提取可解释的交通模式。该方法对城市区域间的时空流量进行建模，通过图拉普拉斯平滑保留周期性数据结构，并实现优于最先进方法的准确且可解释的流量预测。

ABSTRACT

Unlike the traditional dock-based systems, dockless bike-sharing systems are more convenient for users in terms of flexibility. However, the flexibility of these dockless systems comes at the cost of management and operation complexity. Indeed, the imbalanced and dynamic use of bikes leads to mandatory rebalancing operations, which impose a critical need for effective bike traffic flow prediction. While efforts have been made in developing traffic flow prediction models, existing approaches lack interpretability, and thus have limited value in practical deployment. To this end, we propose an Interpretable Bike Flow Prediction (IBFP) framework, which can provide effective bike flow prediction with interpretable traffic patterns. Specifically, by dividing the urban area into regions according to flow density, we first model the spatio-temporal bike flows between regions with graph regularized sparse representation, where graph Laplacian is used as a smooth operator to preserve the commonalities of the periodic data structure. Then, we extract traffic patterns from bike flows using subspace clustering with sparse representation to construct interpretable base matrices. Moreover, the bike flows can be predicted with the interpretable base matrices and learned parameters. Finally, experimental results on real-world data show the advantages of the IBFP method for flow prediction in dockless bike sharing systems. In addition, the interpretability of our flow pattern exploitation is further illustrated through a case study where IBFP provides valuable insights into bike flow analysis.

研究动机与目标

• 为解决无桩共享单车系统中分布不均且动态变化的车辆分布问题，该问题需要频繁的再平衡操作。
• 开发一种既准确又可解释的流量预测模型，为城市规划者和运营商提供可操作的洞察。
• 从原始共享单车流量数据中提取有意义且人类可理解的交通模式，而无需依赖外部特征。
• 利用数据驱动、可解释的框架对城市区域之间的时空交互进行建模，适用于成对（OD）流量预测。

提出的方法

• 根据流量密度将城市划分为区域，以实现局部流量建模。
• 使用图正则化稀疏表示对区域间的时空共享单车流量进行建模，其中图拉普拉斯矩阵作为平滑算子，以保留周期性结构。
• 通过子空间聚类结合稀疏表示提取可解释的交通模式，形成捕捉主导流量行为的基矩阵。
• 通过学习可解释基矩阵的系数实现流量预测，从而实现未来流量的重构与预测。
• 该框架完全基于数据驱动，允许通过手动构建额外的基矩阵来集成外部特征（如天气）

实验结果

研究问题

• RQ1 如何从原始无桩共享单车流量数据中自动提取可解释的交通模式？
• RQ2 引入图正则化稀疏表示对建模无桩系统中时空流量动态的影响是什么？
• RQ3 与黑箱模型相比，可解释的基矩阵是否能提升共享单车流量预测的准确性和实际应用价值？
• RQ4 工作日与周末的流量模式有何不同？该模型能否捕捉此类时间差异？

主要发现

• IBFP框架在真实世界无桩共享单车数据上，相比最先进方法实现了更优的预测准确度。
• 通过图拉普拉斯正则化，模型有效捕捉了自行车流量中的周期性模式，从而保留了数据结构中的共性。
• 子空间聚类结合稀疏表示成功提取了与现实城市活动相对应的可解释交通模式，例如通勤至地铁站或住宅区。
• 案例研究显示，模型识别出关键兴趣点（如地铁站、商业中心和住宅区）为主要流量生成源，且工作日与周末的流量模式存在显著差异。
• 该框架通过手动构建基矩阵的方式支持外部特征（如天气）的集成，展现出良好的泛化能力，增强了模型灵活性。