[论文解读] Uncertainty Quantification of Spatiotemporal Travel Demand with Probabilistic Graph Neural Networks

Qingyi Wang, Shenhao Wang+3 more|arXiv (Cornell University)|Mar 7, 2023

Transportation Planning and Optimization被引用 6

一句话总结

本文提出一种概率图神经网络（Prob-GNN）框架，用于量化城市出行需求中的时空不确定性，通过使用概率分布（例如，截断正态分布、拉普拉斯分布）建模预测不确定性，同时保持较高的点预测精度。该框架在不确定性校准方面表现优越——尤其在双参数分布下表现更佳——在领域分布偏移（如新冠疫情）下也表现出鲁棒性，并揭示出不确定性在下午高峰时段及高客流换乘站集中分布。

ABSTRACT

Recent studies have significantly improved the prediction accuracy of travel demand using graph neural networks. However, these studies largely ignored uncertainty that inevitably exists in travel demand prediction. To fill this gap, this study proposes a framework of probabilistic graph neural networks (Prob-GNN) to quantify the spatiotemporal uncertainty of travel demand. This Prob-GNN framework is substantiated by deterministic and probabilistic assumptions, and empirically applied to the task of predicting the transit and ridesharing demand in Chicago. We found that the probabilistic assumptions (e.g. distribution tail, support) have a greater impact on uncertainty prediction than the deterministic ones (e.g. deep modules, depth). Among the family of Prob-GNNs, the GNNs with truncated Gaussian and Laplace distributions achieve the highest performance in transit and ridesharing data. Even under significant domain shifts, Prob-GNNs can predict the ridership uncertainty in a stable manner, when the models are trained on pre-COVID data and tested across multiple periods during and after the COVID-19 pandemic. Prob-GNNs also reveal the spatiotemporal pattern of uncertainty, which is concentrated on the afternoon peak hours and the areas with large travel volumes. Overall, our findings highlight the importance of incorporating randomness into deep learning for spatiotemporal ridership prediction. Future research should continue to investigate versatile probabilistic assumptions to capture behavioral randomness, and further develop methods to quantify uncertainty to build resilient cities.

研究动机与目标

• 解决尽管点预测精度取得进展，但基于深度学习的出行需求预测中缺乏不确定性量化的问题。
• 开发一种可泛化的框架，将概率假设整合到图神经网络中，以建模公共交通与共享出行需求的时空不确定性。
• 探究确定性架构选择（如 GCN、GAT）与概率假设（如分布类型）对不确定性与点预测性能的相对影响。
• 使用疫情前训练的模型，评估模型在重大现实干扰（如新冠疫情）下的泛化能力。
• 揭示出行需求中不确定性的空间与时间分布模式，以支持实时系统管理与长期城市韧性规划。

提出的方法

• 提出 Prob-GNN 框架，将确定性图神经网络架构（GCN、GAT）与概率输出分布相结合，以建模出行需求预测中的不确定性。
• 采用六种概率假设——HomoG、Pois、HetG、TG、GEns、Lap——代表不同的分布特性（如固定方差、重尾、截断），以建模预测不确定性。
• 使用负对数似然（NLL）损失进行模型训练，以同时优化点预测与不确定性估计，并通过 NLL 和校准误差指标进行评估。
• 将该框架应用于芝加哥的真实公共交通与共享出行数据集，评估其在疫情前与疫情后阶段的表现，以检验领域偏移下的鲁棒性。
• 通过热力图与异常检测技术可视化并分析时空不确定性模式，识别高不确定性车站与时间段。
• 对比不同概率与确定性配置下的模型性能，以分离各类假设对预测质量的影响。

实验结果

研究问题

• RQ1 不同概率假设（如分布类型、支撑集、尾部行为）如何影响出行需求预测中的不确定性量化性能？
• RQ2 与概率假设相比，确定性架构选择（如 GCN 与 GAT、深度、dropout）在多大程度上影响不确定性与点预测精度？
• RQ3 Prob-GNN 能否在重大领域分布偏移（如新冠疫情）下保持准确的不确定性估计？
• RQ4 公共交通与共享出行需求中的不确定性在空间与时间上呈现何种分布模式？这些模式如何支持运营业务决策？
• RQ5 引入不确定性量化如何提升现实城市交通系统中模型的鲁棒性与韧性？

主要发现

• 概率假设——尤其是双参数分布（如截断正态分布与拉普拉斯分布）——对不确定性预测性能的影响远大于确定性架构选择，相比单参数基线，NLL 最多降低 20%，校准误差减少 3 至 5 倍。
• 确定性组件（如 GCN、GAT）对性能影响极小，当概率假设保持不变时，不同架构之间的 NLL 损失差异小于 3%。
• 即使在领域偏移下点预测性能显著下降（如疫情后），不确定性预测仍保持准确且校准良好，表明 Prob-GNN 框架具有强大的泛化能力。
• 不确定性在空间上集中于高客流换乘站，在时间上集中于下午高峰时段，揭示了可操作的系统监控与需求管理模式。
• 该框架成功识别出不确定性异常高的车站（如蓝线上的 Division/Milwaukee 站），可作为潜在系统中断的信号，并指导主动干预。
• Prob-GNN 框架在多个疫情后测试阶段均保持稳定性能，表明其对大规模系统扰动具有韧性，且对不断变化的出行模式具有鲁棒性。