Deep-learning Architecture for Short-term Passenger Flow Forecasting in Urban Rail Transit

Transcript

1. 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
2. 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
3. 提案手法 ResNet, GCN, Attention LSTM を組み合わせた“ResLSTM”を提案 3
4. 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
5. 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
6. 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
7. 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
8. 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
9. 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
10. 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
11. 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
12. 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