[论文解读] STG2Seq: Spatial-temporal Graph to Sequence Model for Multi-step Passenger Demand Forecasting

Lei Bai, Lina Yao+3 more|arXiv (Cornell University)|May 24, 2019

Traffic Prediction and Management TechniquesEngineering参考文献 18被引用 21

一句话总结

该论文提出STG2Seq，一种基于图的序列到序列模型，利用分层图卷积网络捕捉多步乘客需求预测中的复杂时空依赖关系。通过采用长期编码器、短期编码器和基于注意力的输出模块，STG2Seq在三个真实世界数据集上的RMSE和MAPE分别比最先进方法最高提升4.9%和4.5%，展现出更优的准确性以及在长时程预测中更少的误差累积。

ABSTRACT

Multi-step passenger demand forecasting is a crucial task in on-demand vehicle sharing services. However, predicting passenger demand over multiple time horizons is generally challenging due to the nonlinear and dynamic spatial-temporal dependencies. In this work, we propose to model multi-step citywide passenger demand prediction based on a graph and use a hierarchical graph convolutional structure to capture both spatial and temporal correlations simultaneously. Our model consists of three parts: 1) a long-term encoder to encode historical passenger demands; 2) a short-term encoder to derive the next-step prediction for generating multi-step prediction; 3) an attention-based output module to model the dynamic temporal and channel-wise information. Experiments on three real-world datasets show that our model consistently outperforms many baseline methods and state-of-the-art models.

研究动机与目标

• 为应对按需出行服务中多步乘客需求预测的挑战，其中预测不准确会导致车辆调度效率低下。
• 克服现有基于RNN和CNN的模型在处理非欧几里得空间相关性以及长期时间依赖性方面的局限性。
• 通过用双编码器架构替代RNN解码器，减少多步预测中的误差累积。
• 通过引入可学习的注意力机制，动态建模时间相关性，自适应地加权历史时间步长。
• 确保在不依赖基于网格的空间离散化的前提下，对不规则空间分区（如基于道路网络的城市区域）具有泛化能力。

提出的方法

• 该模型将全市乘客需求建模为时空图，其中每个区域为一个节点，空间关系通过图卷积层进行建模。
• 采用多层图卷积网络的门控图卷积模块（GGCM）分层捕捉空间与时间相关性，减少长距离依赖关系的路径长度。
• 长期编码器处理历史需求序列以捕捉长期时间模式，而短期编码器则用于生成多步预测的下一步输出。
• 基于注意力的输出模块动态建模时间与通道维度上的依赖关系，使模型能够根据历史时间步长与目标时间步的相关性自适应地加权。
• 训练过程中使用教师强制策略以稳定多步预测生成，提升泛化能力并减少误差传播。
• 该架构具有灵活性和泛化能力，可适用于不规则空间分区（如基于道路网络的区域），而无需依赖基于网格的空间离散化。

实验结果

研究问题

• RQ1 基于图的序列到序列模型能否有效捕捉乘客需求预测中非欧几里得空间相关性，特别是在远程区域因特征相似而比邻近区域更具影响力的情况下？
• RQ2 将基于RNN的解码器替换为双编码器架构，对多步乘客需求预测中的误差累积有何影响？
• RQ3 与静态或固定加权的历史聚合方法相比，能够动态建模时间相关性的注意力机制在多大程度上可提升预测准确性？
• RQ4 当城市被划分为基于道路网络的不规则区域而非规则网格时，该模型表现如何？
• RQ5 所提出的STG2Seq模型是否在具有不同空间与时间动态特性的多样化真实世界数据集中持续优于最先进方法？

主要发现

• 在DidiSY数据集上，STG2Seq相较于最佳最先进方法，RMSE相对提升4.9%，MAPE相对提升4.5%，展现出显著的性能提升。
• 在NYC和DidiSY数据集上，STG2Seq分别将RMSE降低2.6%和4.9%，将MAE降低0.4%和2.6%，在各数据集中表现一致优越。
• 在多步预测中，STG2Seq在所有三个时间步均保持较低的误差增长，而ConvLSTM和DCRNN则表现出快速恶化，证实了误差累积的减少。
• 消融实验表明，若移除短期编码器，性能退化为单步预测；若用ReLU或CNN层替代注意力模块或门控机制，则性能出现可测量的下降。
• 在基于道路网络划分的不规则区域（沈阳）中，STG2Seq的RMSE为3.244，MAE为2.136，优于ARIMA、SARIMA、MLP、XGBoost、DCRNN和STGCN。
• 该模型在不同空间划分方案下表现稳健，证实其在超越常规网格化城市表示之外的泛化能力。