Upgrade to Pro — share decks privately, control downloads, hide ads and more …

KDD2020 論文紹介

satorin1204
November 20, 2020

KDD2020 論文紹介

社内の輪講で発表したスライドです。
・ HetETA: Heterogeneous Information Network Embedding for Estimating Time of Arrival
・ CompactETA: A Fast Inference System for Travel Time Prediction
・ ConSTGAT: Contextual Spatial-Temporal Graph Attention Network for Travel Time Estimation at Baidu Maps
・ Personalized Prefix Embedding for POI Auto-Completion in the Search Engine of Baidu Maps

satorin1204

November 20, 2020
Tweet

Other Decks in Research

Transcript

  1. confidential Mobility Technologies Co., Ltd. • 名前
 ◦ 佐藤 倫(@rincha_sr)


    • 経歴
 ◦ 東京工業大学院 卒業
 ◦ 2020/04 DeNA 入社、その後MoT に出向中
 
 • Kaggle
 ◦ Master(      )
 自己紹介
 2
  2. confidential Mobility Technologies Co., Ltd. • 8/23-27 に開催(日本時間の0:00 から)
 •

    全てリモートでの開催
 • Zoom で録画済みの講演が流され質疑
 • 時間外でもChat により質問ができる
 KDD2020
 4
  3. confidential Mobility Technologies Co., Ltd. • 到着時間を予測する問題
 • 始点、終点、(通った経路)から到着時間を予測する
 ◦

    経路は細かくセグメントという単位に分割できる
 • 高精度なETA はユーザーの利益になるだけでなくVRPや乗り合いなど様々な問題に 寄与する重要な要素である
 
 ETA とは
 10
  4. confidential Mobility Technologies Co., Ltd. HetETA: Heterogeneous Information Network Embedding

    for Estimating Time of Arrival
 11 HetETA | Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
  5. confidential Mobility Technologies Co., Ltd. • 既存のETA手法はHeterogeneous network を考慮したものはほぼなかった
 •

    Heterogeneous network を用いるHetETAを提案
 • Heterogeneous な情報(時空間での異質)を時空間畳み込みで学習
 Summray
 12
  6. confidential Mobility Technologies Co., Ltd. • 時間方向での3種類
 ◦ 直近・日単位・週単位の交通状況
 •

    空間方向の2種類
 ◦ 普通の道路ネットワーク
 ◦ 乗務員軌跡からよく通るパスの間にエッジを張ったネットワーク
 Heterogeneous Network の概要
 13
  7. confidential Mobility Technologies Co., Ltd. ある時刻t に関して道路ネットワークG を以下のように定義する
 
 


    
 
 
 
 グラフの定義
 14 • V: 道路セグメントのノード
 • E: セグメント間のエッジ
 • R: エッジの関係性(右折など)
 • X: 道路セグメントの特徴量
 ◦ 静的特徴(長さ・幅など)
 ◦ 動的特徴(その時刻の交通状況)
 エッジの関係性
  8. confidential Mobility Technologies Co., Ltd. • 乗務員はより良い道路を知っている可能性がある
 • 乗務員軌跡によるネットワークを構築する
 


    • あるノードから β hop 以内で頻度top k の間にエッジを結ぶ
 ◦ 今回は β = 3, k = 5
 ◦ 関係性は “likely going to”
 空間方向
 17
  9. confidential Mobility Technologies Co., Ltd. • 疎な道路ネットワークから高速に周辺からの特徴を得る
 • ChebNet が考えられる


    
 • しかしChebNet は多関係には使えない
 ◦ 関係性から得られるattention を使う
 ◦ また無向グラフであるために、反対エッジを追加し関係性にもそれを付与
 ▪ turn-left -> out-going when turn-left
 Het-ChebNet
 18
  10. confidential Mobility Technologies Co., Ltd. • 出発・到着地点、時刻、軌跡のパスを入力
 
 
 


    • 軌跡上のセグメント毎に予測されるETAとのMAPEで学習する
 学習方法
 20
  11. confidential Mobility Technologies Co., Ltd. • 比較手法
 ◦ GRU: 道路ネットワークが使わない、パスをGRU

    に入れる
 ◦ DCRNN, STGCN: 時空間を扱うモデル、多関係が扱えない
 ◦ GWN, ASTGCN: 大きなグラフを扱うことが困難なため変更を加えたもの
 
 • それぞれ5-30 分後のスピードを予測
 交通状況予測の比較結果
 21
  12. confidential Mobility Technologies Co., Ltd. • HetETA がETAにとって良い特徴が抽出できていることを確かめる
 ◦ SoTA

    であるWDR[1] の動的道路特徴にHetETA から抽出されるものを用いる
 • HetETA を用いることで大きく精度が向上した
 ETAとしての性能
 23 [1]: Wang, Z. et al. Proc. ACM SIGKDD Int. Conf. Knowl. Discov. Data Min. 858–866 (2018)
  13. confidential Mobility Technologies Co., Ltd. CompactETA: A Fast Inference System

    for 
 Travel Time Prediction
 24 CompactETA | Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
  14. confidential Mobility Technologies Co., Ltd. • Wide-Deep-Recurrent Learning[1](SoTA)
 ◦ リコメンドで用いられるWide

    & Deep Learning[2] にReccurent を足したモデル
 • X は経路の特徴、g は天気などの全体的な特徴を表す
 
 • Recurrent に入力される経路シーケンスは数100を超える
 ◦ 推論速度の低下につながる
 Baseline (WDR)
 26 [1]: Wang, Z. et al. Proc. ACM SIGKDD Int. Conf. Knowl. Discov. Data Min. 858–866 (2018) [2]: Karatzoglou, A. et al. RecSys 2017 - Proc. 11th ACM Conf. Recomm. Syst. 396–397 (2017)
  15. confidential Mobility Technologies Co., Ltd. • RNNは時間がかかるからなくしたい
 ◦ positional encoding

    により経路の特徴を得る
 
 • リアルタイムな交通状況はある程度の時間は変わらない(今回は120 sec.)
 ◦ 一定間隔で道路の埋め込みを更新、予測時は経路の埋め込みを取得
 
 
 Proposed method
 27
  16. confidential Mobility Technologies Co., Ltd. • Graph Attention Network で各セグメント毎の埋め込みを出力する


    • 経路上のセグメントの埋め込みを取得してそれとg(全体的な特徴)を用いてETAを学 習する
 学習
 28 Graph Attention Block
  17. confidential Mobility Technologies Co., Ltd. • 比較手法
 ◦ WDR: ベースライン


    ◦ RouteETA: 道路ごとのリアルタイム通行速度の平均値の合計
 ◦ MLP-ETA: Position Encoding、GCN ありなし
 
 • CompactETA は遜色ない精度を達成
 ◦ GA, PEともに貢献している
 Result(オフライン)
 30
  18. confidential Mobility Technologies Co., Ltd. • CompactETA による影響を14日間A/B テストする
 ◦

    control : WDR (既存手法)
 • 3時間ごとにcontrol とtreatment を交換する
 • また天気等のランダム性の影響の大きさをみるために14日間A/A テスト
 ◦ どちらもControl
 
 • 多くの指標でA/A と大差がなかった
 • 一方で特にpickup badcase では大きく改善
 ◦ 幅の広い予測(1sec. ~ 1000sec. )では
 LSTMと違い加算するから良くなっている
 A/B test
 31
  19. confidential Mobility Technologies Co., Ltd. • QPS とLatency で評価
 •

    1リクエストに60クエリとして異なる同時実行リクエスト数で評価する
 • どちらの指標でもCompactETA は100倍性能が良い
 速度評価
 32 x 軸は同時実行されるリクエスト数
  20. confidential Mobility Technologies Co., Ltd. ConSTGAT: Contextual Spatial-Temporal Graph Attention

    Network for Travel Time Estimation at Baidu Maps
 33 ConSTGAT | Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
  21. confidential Mobility Technologies Co., Ltd. • 既存手法には2つの問題点がある
 ◦ 時空間を分離してネットワークが扱っている
 ◦

    時系列モデルの推論が遅い
 • 道路セグメント毎の予測を事前に計算し、その和によって推論することで高速に行う フレームワークを提案
 ◦ 経路の文脈をwindowing によって取得
 Summary
 34
  22. confidential Mobility Technologies Co., Ltd. • 3つのモジュールからなる
 ◦ Contextual Information


    ▪ 軌跡の系列情報
 ◦ Traffic Prediction
 ▪ 時空間グラフのためのattention 
 機構を含んだモデル
 ◦ Integration
 ▪ 各segment と全体の
 マルチタスク学習
 Framework
 35
  23. confidential Mobility Technologies Co., Ltd. • 過去の情報から未来の交通状況を予測する
 ◦ time slot

    (5 分ごとの速度の統計量)
 
 • 過去のTh 個のtime slot のグラフC から未来のTf 個のtime slot を予測する
 ◦ 提案手法ではTh=12, Tf=12
 
 • 交通状況は欠損することがある
 ◦ 学習時に10% マスクすることでモデルを堅牢にするように学習した
 Traffic Prediction module
 37
  24. confidential Mobility Technologies Co., Ltd. • ST-tensor とcontextual information、background information

    のアテンションにより特徴 を捉える
 ◦ background information: 時刻などの特徴
 ◦ Concat したものをQuery としたアテンションを用いる
 
 Traffic Prediction module
 39
  25. confidential Mobility Technologies Co., Ltd. • segment 毎の出力は
 • route

    全体の出力はその総和
 • segment にはhuber-loss、route にはAPE を用いる
 Integration module
 40
  26. confidential Mobility Technologies Co., Ltd. • 毎日数百億のリクエストを高速に処理したい
 • 事前にsegment 毎のETAを計算してlookup

    table を作成する
 ◦ ありえる全てのsub-path を用いる
 ◦ また候補となる出発時刻全てに対しても行う
 
 • リクエストが来た際にtable を参照してその総和を返す
 Inference
 41
  27. confidential Mobility Technologies Co., Ltd. • あるセグメントについて
 a. attention weight


    b. segment のレコード数
 c. segment の通過時間中央値
 
 • カウント数が多いところの
 重みが大きい
 Attention weight と統計値の関係
 44
  28. confidential Mobility Technologies Co., Ltd. • Window size は0 よりは良くなる(周辺情報の重要性)


    ◦ 最適なのはデータセット依存
 
 
 
 • 交通状況の欠損考慮によるマスクをすることでロバストになった
 他のdiscussion
 45
  29. confidential Mobility Technologies Co., Ltd. Personalized Prefix Embedding for POI

    Auto-Completion in the Search Engine of Baidu Maps
 47 Personalized Prefix Embedding for POI Auto-Completion in the Search Engine of Baidu Maps | Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
  30. confidential Mobility Technologies Co., Ltd. • ユーザーの入力文字(Prefix)を用いたPOI Auto-complete (POI-AC) の開発


    • Prefix やPOI情報の特徴を工夫し、Tripletloss で埋め込みを学習
 • 既存のフレームワークに特徴量として追加し精度向上
 Summary
 48
  31. confidential Mobility Technologies Co., Ltd. • 2段階構成になっている
 ◦ PrefixとPOI 情報から数100件に候補を絞る


    ◦ POI情報やユーザー特徴からGBRank でランクを予測する
 既存のBaidu Map のPOI-AC
 49
  32. confidential Mobility Technologies Co., Ltd. • ユーザーの入力するprefix p = (c1,c2,…cn)


    • prefix にユーザー特徴ベクトルを結合してBi-LSTM に入力
 • 双方向から得られた各characters のembedding をattention を加えて和を取る
 Personalized prefix embedding
 50
  33. confidential Mobility Technologies Co., Ltd. • 以下の3要素のembedding の和を用いる
 ◦ POI

    の名前と住所をCNN でembed を得る
 ◦ POI のカテゴリから得られるembed
 ◦ POI のGeoHash で得られるembed
 Enriched POI Embedding
 51
  34. confidential Mobility Technologies Co., Ltd. • 得られたembedding をtriplet loss で学習する


    ◦ prefix embed がクリックされたPOI embed と近くなるように
 ◦ prefix embed がクリックされなかったPOI embed と遠くなるように
 ◦ 距離はcosine 類似度を用いる
 
 • Loss にはhinge loss を用いる
 Triplet ranking loss
 52
  35. confidential Mobility Technologies Co., Ltd. • ver1.0
 ◦ ユーザーの人口統計情報・POI人気の統計情報など(GBRank)
 •

    ver1.1
 ◦ 時間・地域を考慮した特徴を追加(GBRank)
 • ver2.0
 ◦ ユーザーのPOIの履歴特徴を追加(GBRank)
 ◦ POI の特徴はword2vec like に得る
 • ver2.1
 ◦ POI のGeohash などの特徴を追加(GBRank)
 • ver3.0
 ◦ 提案手法(cosine類似度)
 • ver3.1
 ◦ ver3.0 のcosine類似度をver2.1 に追加(GBRank)
 比較モデル (POI-AC verx.x)
 53
  36. confidential Mobility Technologies Co., Ltd. • レコメンド等の指標を用いる
 ◦ SR@n :

    top nに正解POIがあるかどうか ◦ MRR: 適合POIの順位の逆数 ◦ nDCG@N: topN のnDCG ◦ AVG. #(KS): ユーザーの平均打鍵数 ◦ AVG. Sp.@KS: ユーザーの平均打鍵速度(かかった時間を表している) 
 評価指標
 54
  37. confidential Mobility Technologies Co., Ltd. • Baidu Map では新しいモデルのリリース前にA/Bテストをしている
 ◦

    最低1週間、ランダムに5% のtraffic に適用
 
 • KS の指標はユーザー体験の向上を表している
 ◦ Offline に比べSR の指標が悪いのはユーザーがPOI-AC を無視することを表す
 Online 実験結果
 56