Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Deep-learning Architecture for Short-term Passe...
Search
tetsu9923
January 10, 2022
0
22
Deep-learning Architecture for Short-term Passenger Flow Forecasting in Urban Rail Transit
tetsu9923
January 10, 2022
Tweet
Share
More Decks by tetsu9923
See All by tetsu9923
LightGCN: Simplifying and Powering Graph Convolution Network for Recommendation
tetsu9923
0
530
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
tetsu9923
0
46
Featured
See All Featured
The Invisible Side of Design
smashingmag
300
51k
Building Applications with DynamoDB
mza
95
6.5k
[RailsConf 2023 Opening Keynote] The Magic of Rails
eileencodes
29
9.5k
Automating Front-end Workflow
addyosmani
1370
200k
The Power of CSS Pseudo Elements
geoffreycrofte
77
5.8k
Docker and Python
trallard
44
3.5k
Being A Developer After 40
akosma
90
590k
"I'm Feeling Lucky" - Building Great Search Experiences for Today's Users (#IAC19)
danielanewman
229
22k
I Don’t Have Time: Getting Over the Fear to Launch Your Podcast
jcasabona
32
2.4k
Optimising Largest Contentful Paint
csswizardry
37
3.3k
Designing for humans not robots
tammielis
253
25k
Code Review Best Practice
trishagee
69
18k
Transcript
Deep learning architecture for short-term passenger flow forecasting in urban
rail transit [Zhang+, IEEE Transactions on Intelligent Transportation Systems, 2020] • 目的 • 都市鉄道における各駅の乗車人数を予測 • 新規性 • GCNを用いて路線網のトポロジー情報を考慮 • 気候や大気の状態を考慮 • 結果 • 17路線276駅からなるデータセットを用いた実験でSoTA 1
背景 • 都市鉄道において Short-Term Passenger Flow Forecasting (STPFF)は有用 • 乗客が混雑を避けて利用できる
• 鉄道事業者がダイヤを調整する手助けになる • 近年になってDNNを用いた手法が盛んに研究されるように • LSTM: 空間的な情報を利用できない • CNN*LSTM: トポロジー情報(=駅同士の繋がり)を利用できない • GNN: 天気などの外的要因を考慮に入れていない 2
提案手法 ResNet, GCN, Attention LSTM を組み合わせた“ResLSTM”を提案 3
提案手法: Branch 1 • 行が各駅、列が時系列に対応する inflow(=乗車人数)行列をResNet [He+, 2016]に入力 • 駅の数:
276 • タイムステップの数: ~ • タイムステップの幅: Real-time, Daily, Weekly 4
提案手法: Branch 2 • 行が各駅、列が時系列に対応する outflow(=降車人数)行列をResNet [He+, 2016]に入力 • 駅の数:
276 • タイムステップの数: ~ • タイムステップの幅: Real-time, Daily, Weekly 5
提案手法: Branch 3 1. 各ノードが特徴量として各駅の時刻 ~ の inflowを持つグラフをGCNに入力する 2. その出力を縦方向が各駅、横方向がタイムステップに
対応するように並べて行列を作り、 Branch1と同様にResNetに入力する 6 駅1 駅2 駅3 𝑡 − 2 𝑡 − 1 𝑡
提案手法: Branch 4 各タイムステップにおける • 気候(気温、露点温度、湿度、風速) • 大気(大気汚染指数、PM2.5等の濃度) に関する指標をLSTMに入力 7
提案手法: Branch 5 1. Branch1~4の出力の重み付き和をとる 2. この和をAttention LSTM, FC層に入力して 最終的な出力(各駅のinflowの予測値)を得る
8
実験 • データセット:北京の地下鉄の乗降データ • 路線数: 17、駅数: 276 • Train&Val: 4週間分、Test:
1週間分 • タイムスパン: 10分間、15分間、30分間 9
結果(全ての駅) • どのタイムスパンでも、どの評価指標でも提案手法の精度が最も良い 10
結果(特定の駅) • タイムスパンが⾧い(30分間)ほうが実測値との差が小さい 11
まとめ • 目的 • 都市鉄道における各駅の乗車人数を予測 • 手法 • ResNetに過去の乗降人数を入力 •
GCNを用いて路線網のトポロジー情報を考慮 • 気候や大気の状態を考慮 • 結果 • 17路線276駅からなるデータセットを用いた実験でSoTA 12