[论文解读] Predicting Station-Level Bike-Sharing Demands Using Graph Convolutional Neural Network

Lei Lin, Weizi Li+1 more|arXiv (Cornell University)|Apr 18, 2020

Urban Transport and Accessibility被引用 9

一句话总结

本文提出了一种新型图卷积神经网络（GCNN-DDGF），用于预测纽约市的小时级共享单车需求。通过在无需预定义邻接矩阵的情况下学习站点之间的隐含空间相关性，并结合LSTM捕捉时间动态，GCNN-rec-DDGF模型实现了最先进性能，优于所有基线模型，包括使用预定义图结构的GCNN和传统模型。

ABSTRACT

This study proposes a novel Graph Convolutional Neural Network with Data-driven Graph Filter (GCNN-DDGF) model that can learn hidden heterogeneous pairwise correlations among stations to predict station-level hourly demand in a large-scale bike-sharing network. Two architectures of the GCNN-DDGF model are explored: GCNNreg-DDGF is a regular GCNN-DDGF model which contains the convolution and feedforward blocks; GCNNrec-DDGF additionally contains a recurrent block from the Long Short-term Memory neural network to capture temporal dependencies in bike-sharing demand series. Furthermore, four GCNN models are proposed whose adjacency matrices are based on various bike-sharing system data, including Spatial Distance matrix (SD), Demand matrix (DE), Average Trip Duration matrix (ATD), and Demand Correlation matrix (DC). These six GCNN models along with seven other benchmark models are built and compared using the Citi Bike dataset from New York City, which includes 272 stations and over 28 million transactions from 2013 to 2016. Results show that the GCNNrec-DDGF performs the best in terms of the Root Mean Square Error, the Mean Absolute Error, and the coefficient of determination (R2), followed by the GCNNreg-DDGF. They outperform the other models.

研究动机与目标

• 解决固定式及非固定式共享单车系统中因空间与时间需求波动导致的共享单车需求预测不准确问题。
• 克服现有GCNN模型依赖预定义邻接矩阵的局限性，这些矩阵可能无法捕捉站点之间异质的空间相关性。
• 提出一种数据驱动方法，直接从需求数据中学习图结构（邻接矩阵），以提升预测准确性。
• 将长短期记忆（LSTM）网络集成到GCNN框架中，以建模小时级共享单车需求序列中的时间依赖性。
• 在大规模真实世界数据集上，将所提模型与多种GCNN变体及基准模型进行对比，验证其性能优越性。

提出的方法

• 提出一种数据驱动图滤波器（DDGF），将邻接矩阵作为可学习参数，替代固定的预定义矩阵。
• 将归一化图滤波器定义为 $\hat{A} = \tilde{D}^{-1/2} \tilde{A} \tilde{D}^{-1/2}$，其中 $\tilde{A}$ 为可学习的对称矩阵，从而实现空间相关性的端到端训练。
• 设计两种架构：$\text{GCNN}_{\text{reg}}\text{-DDGF}$（包含卷积与全连接模块），以及 $\text{GCNN}_{\text{rec}}\text{-DDGF}$（在其中加入LSTM模块以建模时间动态）。
• 使用特征矩阵 $X_i \in \mathbb{R}^{N \times C^0}$，该矩阵由前 $C^0 - 1$ 小时的需求构建，用于预测下一小时的需求 $y_{i+1}$。
• 对数据进行Min-Max归一化，将其缩放至0到1之间，并在上午7点至晚上9点的测试数据上使用RMSE、MAE和 $R^2$ 评估模型性能。
• 训练并比较六种GCNN模型（包括四种使用预定义邻接矩阵的模型：SD、DE、ATD、DC）以及七种基准模型（如XGBoost、LSTM、SVR）。

实验结果

研究问题

• RQ1 数据驱动图滤波器是否能比预定义邻接矩阵更有效地学习共享单车站点之间的空间相关性？
• RQ2 将LSTM模块集成到GCNN框架中，是否能通过捕捉小时级需求序列中的时间依赖性来提升预测准确性？
• RQ3 所提GCNN-DDGF模型与SOTA模型（如XGBoost、LSTM及具有固定图结构的GCNN）相比，性能如何？
• RQ4 在基线GCNN模型中，哪种预定义邻接矩阵（SD、DE、ATD、DC）表现最佳，原因是什么？
• RQ5 图结构的质量在多大程度上影响GCNN在共享单车需求预测中的性能？

主要发现

• $\text{GCNN}_{\text{rec}}\text{-DDGF}$ 模型表现最佳，RMSE为2.12，RMSE（7AM–9PM）为2.58，MAE为1.26，$R^2$ 为0.75，优于所有其他模型。
• $\text{GCNN}_{\text{reg}}\text{-DDGF}$ 模型排名第二，表明通过DDGF学习空间相关性可显著提升性能，优于固定邻接矩阵。
• GCNN-ATD（使用平均行程时长作为邻接矩阵）表现最差，RMSE为3.44，$R^2$ 为0.35，表明ATD不适用于图结构构建。
• XGBoost和LSTM表现紧随其后，但两者均未捕捉站点间的空间相关性，凸显图模型方法的重要性。
• GCNN模型性能对邻接矩阵质量高度敏感，如GCNN-DC（最佳）与GCNN-ATD（最差）之间存在显著性能差距。
• 数据驱动图滤波器（DDGF）成功学习了站点之间异质的空间相关性，且无需人工指定图结构。