Semi-decentralized Inference in Heterogeneous Graph Neural Networks for Traffic Demand Forecasting: An Edge-Computing Approach

要約

タイトル: 交通需要予測のための異種グラフニューラルネットワークにおける半分分散推論：エッジコンピューティングアプローチ

要約:

– タクシーサービスの需要と供給の予測は、顧客のエクスペリエンスとプロバイダーの利益を改善するために不可欠である。
– グラフニューラルネットワーク(GNNs)は、このアプリケーションに有望な手法であることが示されている。この手法は、都市地域を輸送グラフのノードとその関係をエッジとしてモデル化する。GNNsは、予測において、ローカルノード特徴とグラフ構造を活用する。
– 大規模な輸送グラフを拡大し、同時にグラフ内の異なるタイプのノードとエッジを利用することで、より効率的な予測が実現できる。しかし、どちらのアプローチも、GNNsのスケーラビリティに挑戦している。
– スケーラビリティの課題に対する即時の解決策は、GNN操作を分散することである。しかし、これによりノード間通信が過剰になる。本論文では、分散GNNアプローチにおける過剰な通信ニーズを最初に特徴づける。次に、複数のクラウドレット、適度なサイズのストレージおよび計算デバイスを利用する、セルラーベースステーションに統合できる、半分分散アプローチを提案する。このアプローチにより、クラウドレットレベルの分散によるスケーラビリティの促進と、クラウドレット間通信の最小化による分散アプローチの通信オーバーヘッドの緩和が実現される。
– また、ダイナミックなタクシーグラフ、つまりノードがタクシーであるような、改良されたタクシーレベルの需要予測および供給予測のための異種GNN-LSTMアルゴリズムを提案する。実験結果は、提案された半分分散アプローチが、異種GNN-LSTMアルゴリズムでテストされた場合に、利点があることを示している。さらに、提案された半分分散GNNアプローチは、集中型および分散型推論スキームに比べて、全体的な推論時間を1桁程度削減できることが示されている。

要約(オリジナル)

Prediction of taxi service demand and supply is essential for improving customer’s experience and provider’s profit. Recently, graph neural networks (GNNs) have been shown promising for this application. This approach models city regions as nodes in a transportation graph and their relations as edges. GNNs utilize local node features and the graph structure in the prediction. However, more efficient forecasting can still be achieved by following two main routes; enlarging the scale of the transportation graph, and simultaneously exploiting different types of nodes and edges in the graphs. However, both approaches are challenged by the scalability of GNNs. An immediate remedy to the scalability challenge is to decentralize the GNN operation. However, this creates excessive node-to-node communication. In this paper, we first characterize the excessive communication needs for the decentralized GNN approach. Then, we propose a semi-decentralized approach utilizing multiple cloudlets, moderately sized storage and computation devices, that can be integrated with the cellular base stations. This approach minimizes inter-cloudlet communication thereby alleviating the communication overhead of the decentralized approach while promoting scalability due to cloudlet-level decentralization. Also, we propose a heterogeneous GNN-LSTM algorithm for improved taxi-level demand and supply forecasting for handling dynamic taxi graphs where nodes are taxis. Extensive experiments over real data show the advantage of the semi-decentralized approach as tested over our heterogeneous GNN-LSTM algorithm. Also, the proposed semi-decentralized GNN approach is shown to reduce the overall inference time by about an order of magnitude compared to centralized and decentralized inference schemes.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI