Exploring Context Generalizability in Citywide Crowd Mobility Prediction: An Analytic Framework and Benchmark

要約

コンテキスト特徴は、都市全体の群集移動予測モデルを構築するための重要なデータ ソースです。
ただし、コンテキストを適用することの難しさは、さまざまなシナリオにわたるコンテキストの特徴 (天気、休日、興味のある場所など) とコンテキスト モデリング技術の一般化可能性が未知であることにあります。
このペーパーでは、コンテキストの一般化可能性を評価するための統一された分析フレームワークと大規模なベンチマークを紹介します。
ベンチマークには、群衆のモビリティ データ、コンテキスト データ、高度な予測モデルが含まれます。
私たちは、自転車の流れ、地下鉄の乗客の流れ、電気自動車の充電需要など、いくつかの群集移動予測タスクで包括的な実験を行っています。
私たちの結果から、いくつかの重要な観察結果が明らかになりました。(1) より多くのコンテキスト特徴を使用しても、既存のコンテキスト モデリング技術で常により良い予測が得られるとは限りません。
特に、休日と時間的位置の組み合わせは、他のコンテキスト特徴の組み合わせよりも一般化可能な有益な情報を提供できます。
(2) コンテキスト モデリング技術では、ゲート ユニットを使用して生のコンテキスト特徴を深い予測モデルに組み込むと、優れた一般化性が得られます。
さらに、群集移動予測アプリケーションを構築するためのコンテキスト要素の組み込みに関するいくつかの提案を提供します。
私たちの調査結果から、新しいコンテキスト モデリング ソリューションの開発に専念する今後の研究努力が求められます。

要約(オリジナル)

Contextual features are important data sources for building citywide crowd mobility prediction models. However, the difficulty of applying context lies in the unknown generalizability of contextual features (e.g., weather, holiday, and points of interests) and context modeling techniques across different scenarios. In this paper, we present a unified analytic framework and a large-scale benchmark for evaluating context generalizability. The benchmark includes crowd mobility data, contextual data, and advanced prediction models. We conduct comprehensive experiments in several crowd mobility prediction tasks such as bike flow, metro passenger flow, and electric vehicle charging demand. Our results reveal several important observations: (1) Using more contextual features may not always result in better prediction with existing context modeling techniques; in particular, the combination of holiday and temporal position can provide more generalizable beneficial information than other contextual feature combinations. (2) In context modeling techniques, using a gated unit to incorporate raw contextual features into the deep prediction model has good generalizability. Besides, we offer several suggestions about incorporating contextual factors for building crowd mobility prediction applications. From our findings, we call for future research efforts devoted to developing new context modeling solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google