[论文解读] Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction

Lingbo Liu, Jingwen Chen+4 more|arXiv (Cornell University)|Jan 14, 2020

Traffic Prediction and Management Techniques参考文献 75被引用 20

一句话总结

该论文提出了一种物理-虚拟协作图网络（PVCGN），通过物理图、相似性图和相关性图建模地铁客流，以捕捉时空模式。通过在Seq2Seq框架中整合图卷积门控循环单元（GC-GRU）与全连接门控循环单元（FC-GRU），PVCGN在上海和杭州地铁数据集上实现了最先进性能，在在线起讫点（OD）客流预测中相较基线方法将MAPE降低了28.7%。

ABSTRACT

Due to the widespread applications in real-world scenarios, metro ridership prediction is a crucial but challenging task in intelligent transportation systems. However, conventional methods either ignore the topological information of metro systems or directly learn on physical topology, and cannot fully explore the patterns of ridership evolution. To address this problem, we model a metro system as graphs with various topologies and propose a unified Physical-Virtual Collaboration Graph Network (PVCGN), which can effectively learn the complex ridership patterns from the tailor-designed graphs. Specifically, a physical graph is directly built based on the realistic topology of the studied metro system, while a similarity graph and a correlation graph are built with virtual topologies under the guidance of the inter-station passenger flow similarity and correlation. These complementary graphs are incorporated into a Graph Convolution Gated Recurrent Unit (GC-GRU) for spatial-temporal representation learning. Further, a Fully-Connected Gated Recurrent Unit (FC-GRU) is also applied to capture the global evolution tendency. Finally, we develop a Seq2Seq model with GC-GRU and FC-GRU to forecast the future metro ridership sequentially. Extensive experiments on two large-scale benchmarks (e.g., Shanghai Metro and Hangzhou Metro) well demonstrate the superiority of our PVCGN for station-level metro ridership prediction. Moreover, we apply the proposed PVCGN to address the online origin-destination (OD) ridership prediction and the experiment results show the universality of our method. Our code and benchmarks are available at https://github.com/HCPLab-SYSU/PVCGN.

研究动机与目标

• 为解决现有地铁客流预测方法忽略拓扑结构或仅依赖物理拓扑的局限性。
• 通过整合基于乘客流量相似性和相关性的物理与虚拟拓扑，建模复杂的客流演化模式。
• 开发一种统一的图神经网络框架，以同时捕捉局部空间依赖与全局时间趋势。
• 在真实世界地铁数据集上评估该方法，并将其应用扩展至在线起讫点（OD）客流预测。
• 验证所提方法在不同地铁系统与预测场景下的通用性与鲁棒性。

提出的方法

• 物理图基于真实世界地铁拓扑构建，保留站点之间的直接连接关系。
• 相似性图通过站点间历史客流相似性构建，实现功能相似但非相邻站点之间的虚拟连接。
• 相关性图基于站间客流相关性构建，捕捉超越物理邻接关系的方向性客流依赖。
• 将上述三张图整合进图卷积门控循环单元（GC-GRU）中，实现联合的空间-时间表征学习。
• 使用全连接门控循环单元（FC-GRU）建模所有站点间客流演化趋势的全局模式。
• 采用Seq2Seq架构结合GC-GRU与FC-GRU，实现对每个站点未来客流的序列化预测。

实验结果

研究问题

• RQ1 统一的图神经网络框架能否有效建模物理与虚拟拓扑，从而提升地铁客流预测性能？
• RQ2 基于相似性与相关性的虚拟图相较于仅依赖物理拓扑，能在多大程度上提升预测性能？
• RQ3 所提出的PVCGN在数据不完整的情况下，对在线起讫点（OD）客流预测的泛化能力如何？
• RQ4 空间建模（通过GC-GRU实现）与全局趋势建模（通过FC-GRU实现）在整体预测精度中的相对贡献分别是什么？
• RQ5 在真实世界地铁数据集上，PVCGN相较于最先进基线方法在RMSE、MAE与MAPE指标上的表现如何？

主要发现

• PVCGN在两个大规模地铁基准数据集——上海地铁与杭州地铁上均达到最先进性能，在所有评估指标上均优于现有方法。
• 在在线OD客流预测任务中，PVCGN在第四个时间区间将MAPE降低至24.52%，相较历史平均基线实现28.7%的相对改进。
• 物理图、相似性图与相关性图的融合显著增强了空间表征学习能力，使非局部客流模式得以更好捕捉。
• FC-GRU组件有效建模了全局时间趋势，显著提升了长期预测的准确性。
• 该方法展现出强大的泛化能力，经验证在不同地铁系统与预测场景下均保持一致的优异表现。
• 消融实验确认，虚拟拓扑（相似性图与相关性图）对最优性能至关重要，仅依赖物理拓扑无法达到理想效果。