Uncertainty Quantification of Spatiotemporal Travel Demand with Probabilistic Graph Neural Networks

要約

最近の研究では、グラフ ニューラル ネットワークを使用した旅行需要の予測精度が大幅に向上しています。
ただし、これらの研究では、旅行需要の予測に必然的に存在する不確実性がほとんど無視されていました。
このギャップを埋めるために、この研究では、確率論的グラフ ニューラル ネットワーク (Prob-GNN) のフレームワークを提案して、旅行需要の時空間的不確実性を定量化します。
この Prob-GNN フレームワークは、決定論的および確率論的な仮定によって実証されており、シカゴの交通機関とライドシェアリングの需要を予測するタスクに経験的に適用されています。
確率論的仮定 (例: 分布テール、サポート) は、決定論的仮定 (例: 深いモジュール、深さ) よりも不確実性の予測に大きな影響を与えることがわかりました。
Prob-GNN のファミリーの中で、トランケートされたガウス分布とラプラス分布を持つ GNN は、交通機関とライドシェア データで最高のパフォーマンスを達成します。
ドメインが大幅に変化した場合でも、Prob-GNN は乗客数の不確実性を安定した方法で予測できます。これは、モデルが COVID 前のデータでトレーニングされ、COVID-19 パンデミック中およびパンデミック後の複数の期間にわたってテストされている場合です。
Prob-GNN は、不確実性の時空間パターンも明らかにします。これは、午後のピーク時間と移動量の多い地域に集中しています。
全体として、私たちの調査結果は、時空間乗客数予測のための深層学習にランダム性を組み込むことの重要性を強調しています。
今後の研究では、行動のランダム性を捉えるために多目的な確率論的仮定を調査し続け、不確実性を定量化して回復力のある都市を構築する方法をさらに開発する必要があります。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google