Uncertainty Quantification via Spatial-Temporal Tweedie Model for Zero-inflated and Long-tail Travel Demand Prediction

要約

輸送管理にとって重要です。
ただし、従来の時空間深層学習モデルは、高解像度 O-D 行列のスパースおよびロングテール特性に対処し、予測の不確実性を定量化することに取り組んでいます。
このジレンマは、これらの行列内の多数のゼロと過度に分散した需要パターンから生じ、決定論的な深層学習モデルに固有のガウス仮定に疑問を投げかけます。
これらの課題に対処するために、私たちは空間時間トゥイーディー グラフ ニューラル ネットワーク (STTD) という新しいアプローチを提案します。
STTD は、従来の「ゼロインフレ」モデルに代わる有力な代替手段として Tweedie 分布を導入し、空間的および時間的埋め込みを利用して旅行需要分布をパラメータ化します。
実世界のデータセットを使用した評価では、特に高解像度のシナリオにおいて、正確な予測と正確な信頼区間を提供するという STTD の優位性が強調されています。

要約(オリジナル)

crucial for transportation management. However, traditional spatial-temporal deep learning models grapple with addressing the sparse and long-tail characteristics in high-resolution O-D matrices and quantifying prediction uncertainty. This dilemma arises from the numerous zeros and over-dispersed demand patterns within these matrices, which challenge the Gaussian assumption inherent to deterministic deep learning models. To address these challenges, we propose a novel approach: the Spatial-Temporal Tweedie Graph Neural Network (STTD). The STTD introduces the Tweedie distribution as a compelling alternative to the traditional ‘zero-inflated’ model and leverages spatial and temporal embeddings to parameterize travel demand distributions. Our evaluations using real-world datasets highlight STTD’s superiority in providing accurate predictions and precise confidence intervals, particularly in high-resolution scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google