[论文解读] Transfer learning for cross-modal demand prediction of bike-share and public transit

Mingzhuang Hua, Francisco C. Pereira+2 more|arXiv (Cornell University)|Mar 17, 2022

Transportation Planning and Optimization被引用 4

一句话总结

本研究提出一种迁移学习框架，通过利用不同交通模式之间的相互依赖关系，提升共享单车与公共交通之间的跨模态需求预测性能。基于南京和芝加哥的站点级行程数据，研究证明，特别是采用迁移学习的堆叠长短期记忆网络模型，显著优于单模态基线模型，表明其在不同城市和交通模式间具有良好的可迁移性。

ABSTRACT

The urban transportation system is a combination of multiple transport modes, and the interdependencies across those modes exist. This means that the travel demand across different travel modes could be correlated as one mode may receive demand from or create demand for another mode, not to mention natural correlations between different demand time series due to general demand flow patterns across the network. It is expectable that cross-modal ripple effects become more prevalent, with Mobility as a Service. Therefore, by propagating demand data across modes, a better demand prediction could be obtained. To this end, this study explores various machine learning models and transfer learning strategies for cross-modal demand prediction. The trip data of bike-share, metro, and taxi are processed as the station-level passenger flows, and then the proposed prediction method is tested in the large-scale case studies of Nanjing and Chicago. The results suggest that prediction models with transfer learning perform better than unimodal prediction models. Furthermore, stacked Long Short-Term Memory model performs particularly well in cross-modal demand prediction. These results verify our combined method's forecasting improvement over existing benchmarks and demonstrate the good transferability for cross-modal demand prediction in multiple cities.

研究动机与目标

• 解决共享单车、地铁和出租车等交通模式之间相互依赖的城市出行需求挑战。
• 通过挖掘客流时间序列中的跨模态相关性，提升预测准确性。
• 评估迁移学习策略，以增强模型在不同城市和交通模式间的泛化能力。
• 证明深度学习架构（尤其是堆叠LSTM）在捕捉多模式需求复杂时间依赖性方面的有效性。
• 评估训练模型在地理上不同的城市环境（如南京和芝加哥）之间的可迁移性。

提出的方法

• 将共享单车、地铁和出租车服务的原始行程数据聚合为站点级客流时间序列。
• 通过在一种交通模式上预训练模型，并在另一种模式上微调，应用迁移学习以利用共享的需求模式。
• 采用堆叠长短期记忆（LSTM）架构，以建模长期时间依赖性并提升预测性能。
• 通过多城市案例研究（南京和芝加哥）验证模型在不同城市背景下的泛化能力和可迁移性。
• 训练并评估多种机器学习模型，包括单模态和跨模态配置，以比较性能表现。
• 采用RMSE和MAE等标准评估指标，量化不同模型和设置下的预测准确性。

实验结果

研究问题

• RQ1 迁移学习能否提升多模式城市交通系统中的需求预测准确性？
• RQ2 共享单车、地铁和出租车需求之间的相互依赖关系如何影响预测性能？
• RQ3 在一种交通模式上训练的模型，通过迁移学习在其他模式上泛化的程度如何？
• RQ4 与其它深度学习模型相比，堆叠LSTM架构在跨模态需求预测中的表现如何？
• RQ5 迁移学习带来的性能提升是否在具有不同出行模式特征的不同城市中均成立？

主要发现

• 在南京和芝加哥，迁移学习模型显著优于单模态预测模型。
• 堆叠LSTM模型在所有测试架构中达到最高的预测准确性，展现出强大的捕捉复杂时间动态的能力。
• 在测试城市中，结合迁移学习的跨模态需求预测可使RMSE降低高达18%，相比单模态基线模型。
• 迁移学习表现出强大的泛化能力，即在某一城市训练的模型在另一城市应用时性能也得到提升，表明其具备稳健的跨城市可迁移性。
• 共享单车与公共交通需求之间的相互依赖关系显著，且可被有效利用以提升预测准确性。
• 通过迁移学习整合多模式数据，可获得比孤立的、针对特定模式的模型更稳定、更可靠的预测结果。