[论文解读] Potential Passenger Flow Prediction: A Novel Study for Urban Transportation Development

Yongshun Gong, Zhibin Li+3 more|arXiv (Cornell University)|Dec 7, 2019

Traffic Prediction and Management Techniques参考文献 22被引用 4

一句话总结

本文提出了一种多视角局部相关性学习模型（MLC-PPF），用于预测城市交通网络中潜在的乘客流量（PPF），通过利用空间邻近性、区域属性及多视角数据，预测通往未建设地铁站的乘客流动。该方法在真实世界数据集上实现了最先进性能，并有效解决了推荐系统中的冷启动问题。

ABSTRACT

Recently, practical applications for passenger flow prediction have brought many benefits to urban transportation development. With the development of urbanization, a real-world demand from transportation managers is to construct a new metro station in one city area that never planned before. Authorities are interested in the picture of the future volume of commuters before constructing a new station, and estimate how would it affect other areas. In this paper, this specific problem is termed as potential passenger flow (PPF) prediction, which is a novel and important study connected with urban computing and intelligent transportation systems. For example, an accurate PPF predictor can provide invaluable knowledge to designers, such as the advice of station scales and influences on other areas, etc. To address this problem, we propose a multi-view localized correlation learning method. The core idea of our strategy is to learn the passenger flow correlations between the target areas and their localized areas with adaptive-weight. To improve the prediction accuracy, other domain knowledge is involved via a multi-view learning process. We conduct intensive experiments to evaluate the effectiveness of our method with real-world official transportation datasets. The results demonstrate that our method can achieve excellent performance compared with other available baselines. Besides, our method can provide an effective solution to the cold-start problem in the recommender system as well, which proved by its outperformed experimental results.

研究动机与目标

• 解决在城市区域新地铁站建设前预测潜在乘客流量（PPF）的新型挑战。
• 克服现有乘客流量模型仅关注已知站点、忽略区域间移动模式的局限性。
• 开发一种对冷启动问题具有鲁棒性的方法，类似于预测无历史数据的新用户或新站点的偏好。
• 整合空间、时间及领域特定特征（如土地利用、人口）以提升时空乘客流量预测的准确性。
• 展示该方法在推荐系统冷启动问题中的可迁移性，证明其具备强大的泛化能力。

提出的方法

• 基于地理邻近性和区域属性（如住宅区、商业区）构建 k-近邻相似性矩阵，以定义局部空间相关性。
• 采用加权相关性学习策略，自适应地学习目标区域与其 k-近邻之间的乘客流量关系。
• 引入来自城市统计数据（如人口、就业、土地利用）的多视角辅助信息，引导学习过程并增强模型泛化能力。
• 使用正则化项（λ）平衡辅助数据（ABS 数据）与学习到的相关性结构的影响，提升模型鲁棒性。
• 将预测任务建模为多视角学习问题，联合优化来自不同领域（空间、时间、人口统计）的特征。
• 在冷启动迁移实验中采用集体矩阵分解原理，验证模型在交通场景之外的适应能力。

实验结果

研究问题

• RQ1 仅使用现有站点的历史流量数据，能否准确预测新建设地铁站区域的乘客流量？
• RQ2 如何有效建模空间与时间相关性，以提升城市轨道交通网络中的 PPF 预测性能？
• RQ3 所提方法在多大程度上能缓解交通规划与推荐系统中的冷启动问题？
• RQ4 不同超参数（如 k、λ）对预测性能与模型稳定性有何影响？
• RQ5 该模型能否通过空间相关性学习的知识迁移，推广至其他领域（如推荐系统）？

主要发现

• MLC-PPF 模型在 PPF 预测中优于所有基线方法，在真实世界地铁交易数据上实现了最低的 MAE。
• 在亚马逊图书领域的冷启动推荐任务中，模型的 MAE 达到 0.396，显著优于 CMF（0.834）、CDTF（0.755）和 WITF（0.740）。
• 当 k=2 时性能最佳，且在 k∈[1,5] 范围内变化时模型表现稳定，表明其具有强鲁棒性。
• 正则化因子 λ = 10⁻¹ 时取得最优结果，在 [10⁻⁵, 10⁰] 范围内性能稳定，表明对参数不敏感。
• 案例研究显示，MLC-PPF 能准确预测从 Homebush 等目标区域到悉尼主要目的地（如 Sydney-Haymarket 和 Parramatta-Rosehill）的客流。
• 该方法成功迁移至推荐系统中的冷启动问题，证明其在城市交通规划之外的广泛应用潜力。