[论文解读] Recurrent Multi-Graph Neural Networks for Travel Cost Prediction

Jilin Hu, Chenjuan Guo+3 more|arXiv (Cornell University)|Nov 13, 2018

Traffic Prediction and Management Techniques参考文献 49被引用 5

一句话总结

本文提出了一种循环多图神经网络框架，结合矩阵分解、图卷积网络和循环网络，用于预测稀疏、随机的起讫（OD）矩阵以实现出行成本预测。该方法有效处理了数据稀疏性问题，并捕捉了复杂的时空相关性，在两个真实世界出租车数据集上的多个指标上达到了最先进性能。

ABSTRACT

Origin-destination (OD) matrices are often used in urban planning, where a city is partitioned into regions and an element (i, j) in an OD matrix records the cost (e.g., travel time, fuel consumption, or travel speed) from region i to region j. In this paper, we partition a day into multiple intervals, e.g., 96 15-min intervals and each interval is associated with an OD matrix which represents the costs in the interval; and we consider sparse and stochastic OD matrices, where the elements represent stochastic but not deterministic costs and some elements are missing due to lack of data between two regions. We solve the sparse, stochastic OD matrix forecasting problem. Given a sequence of historical OD matrices that are sparse, we aim at predicting future OD matrices with no empty elements. We propose a generic learning framework to solve the problem by dealing with sparse matrices via matrix factorization and two graph convolutional neural networks and capturing temporal dynamics via recurrent neural network. Empirical studies using two taxi datasets from different countries verify the effectiveness of the proposed framework.

研究动机与目标

• 为从历史稀疏且不确定的出行成本数据中预测完整的非稀疏随机OD矩阵提供解决方案。
• 利用基于图的表示方法建模城市交通模式中的复杂时空相关性。
• 开发一种深度学习框架，集成矩阵分解、图卷积与循环网络，实现端到端预测。
• 在具有不同空间与时间动态特征的真实世界数据集上评估该框架。
• 展示该框架在不同城市与交通模式下的鲁棒性与泛化能力。

提出的方法

• 该框架使用矩阵分解方法，通过将稀疏历史OD矩阵分解为低秩的空间与时间分量，对缺失值进行填补。
• 构建两个邻近图：一个基于区域之间的空间邻近性，另一个基于OD矩阵之间的时间相似性，以建模空间与时间依赖关系。
• 采用双阶段图卷积网络处理两个图，从分解后的矩阵中提取具有空间与时间相关性的特征。
• 使用循环神经网络（LSTM）在图编码后，捕捉序列化OD矩阵中的长期时间动态。
• 采用多任务损失函数，端到端训练模型，以最小化对完整OD矩阵张量的预测误差。
• 最终输出为稠密的、具有概率分布的随机OD矩阵，涵盖每对区域之间的出行成本分布。

实验结果

研究问题

• RQ1 深度学习框架能否有效从稀疏历史数据中预测完整的随机OD矩阵？
• RQ2 图卷积网络在建模城市交通OD矩阵中的空间相关性方面表现如何？
• RQ3 通过引入递归机制建模时间动态，能在多大程度上提升预测准确性？
• RQ4 该框架在不同时间段模式与不同空间距离下的表现如何？
• RQ5 该框架对超参数选择（如邻近矩阵构建参数）是否具有鲁棒性？

主要发现

• 所提出的先进框架（AF）在纽约市与成都两个出租车数据集上，所有评估指标（EMD、KL、JS）均达到最佳性能。
• AF在性能上明显优于基线模型（BF、FC），尤其在处理数据稀疏性与捕捉长期时间趋势方面表现突出。
• 随着区域间距离增加，预测准确性下降，但AF在长距离OD对上的准确性仍显著优于其他方法。
• 模型对邻近矩阵构建中的超参数σ与α具有鲁棒性，表明在不同空间建模选择下性能稳定。
• 在交通动态较低的时段（如深夜）性能最高，而高峰时段因随机性更高与路线变化更大，准确性有所下降。
• 矩阵分解与图网络及循环网络的结合，实现了有效的缺失值填补与泛化能力，即使在训练数据中仅观测到65%的区域对时亦表现良好。