[论文解读] Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing Demand Prediction

Weiguo Pian, Yingbo Wu+3 more|arXiv (Cornell University)|Jun 7, 2020

Traffic Prediction and Management Techniques参考文献 42被引用 14

一句话总结

本文提出STDGAT，一种时空动态图注意力网络，通过图注意力机制自适应学习空间相关性，并基于时间特定的通勤模式动态更新图结构，以建模顺风车需求。该方法在真实世界滴滴出行数据集上相比现有基线模型，将RMSE降低17.1%，MAPE降低18.6%，达到最先进性能。

ABSTRACT

Ride-hailing demand prediction is an essential task in spatial-temporal data mining. Accurate Ride-hailing demand prediction can help to pre-allocate resources, improve vehicle utilization and user experiences. Graph Convolutional Networks (GCN) is commonly used to model the complicated irregular non-Euclidean spatial correlations. However, existing GCN-based ride-hailing demand prediction methods only assign the same importance to different neighbor regions, and maintain a fixed graph structure with static spatial relationships throughout the timeline when extracting the irregular non-Euclidean spatial correlations. In this paper, we propose the Spatial-Temporal Dynamic Graph Attention Network (STDGAT), a novel ride-hailing demand prediction method. Based on the attention mechanism of GAT, STDGAT extracts different pair-wise correlations to achieve the adaptive importance allocation for different neighbor regions. Moreover, in STDGAT, we design a novel time-specific commuting-based graph attention mode to construct a dynamic graph structure for capturing the dynamic time-specific spatial relationships throughout the timeline. Extensive experiments are conducted on a real-world ride-hailing demand dataset, and the experimental results demonstrate the significant improvement of our method on three evaluation metrics RMSE, MAPE and MAE over state-of-the-art baselines.

研究动机与目标

• 解决现有基于GCN的顺风车需求预测模型中固定图结构和统一邻居加权的局限性。
• 通过自适应注意力机制，对城市区域之间不规则、非欧几里得的空间相关性进行建模。
• 通过基于实际通勤流量而非静态地理邻近性的方法，构建动态图，捕捉随时间变化的空间关系。
• 联合建模空间与时间依赖性，以提升需求预测性能。
• 验证基于时间特定通勤的图构建方法相较于传统基于地理邻近性的方法的优越性。

提出的方法

• 采用图注意力网络（GAT）实现邻居区域间自适应的注意力加权，捕捉非欧几里得空间相关性。
• 提出一种基于时间特定通勤的图注意力模式，利用实际通勤流量数据，在每个时间间隔内构建动态图结构，而非依赖固定的地理连接。
• 使用长短期记忆（LSTM）网络对空间聚合特征序列中的时间依赖性进行建模。
• 在联合架构中结合空间与时间模块：通过动态边构建的GAT提取空间特征，再输入LSTM进行时间建模。
• 在联合学习空间-时间特征后，通过预测层输出最终的需求预测结果。
• 通过仅在该时间段内存在实际通勤流量的区域之间添加有向边，为每个时间间隔构建动态图。

实验结果

研究问题

• RQ1 自适应注意力机制能否通过为相邻区域分配不同重要性，提升顺风车需求预测性能？

主要发现

• STDGAT的RMSE为7.8811，比仅使用空间模块+预测层的基线（9.6273）低17.1%，比仅使用时间模块+预测层的基线（9.3151）低15.5%。
• 模型将MAPE从空间模块仅用时的0.2143降至0.1744，将MAE从5.2131降至4.0881，表明在所有指标上均实现一致改进。
• STDGAT在RMSE（8.2334）、MAPE（0.1788）和MAE（4.1917）上均优于固定图变体（STDGAT-fixed），证明了基于时间特定通勤的图构建方法的有效性。
• 输入序列长度为5小时时性能最佳；更长的序列因训练复杂度增加导致性能下降。
• 随着图注意力层数量增加（最多至5层），模型性能提升，因为更深的网络扩大了感受野，捕捉到更广泛的空间相关性。
• 消融实验表明，联合建模空间与时间依赖性优于分别建模二者。