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ました。
しかし、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、旅行需要の時空間的不確実性を定量化するための確率的グラフ 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ます。
私たちは、確率論的な仮定（例：分布テール、サポート）が、決定論的な仮定（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を発見しました。
Prob-GNN ファミリーの中で、切り詰められたガウス分布とラプラス分布を備えた GNN は、交通機関やライドシェアリングのデータで最高のパフォーマンスを実現します。
大幅なドメインの変化の下でも、モデルが新型コロナウイルス感染症以前のデータでトレーニングされ、新型コロナウイルス感染症の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、Prob-GNN は安定した方法で乗客数の不確実性を予測できます。
Prob-GNN はまた、午後のピーク時間帯と移動量の多いエリアに集中している不確実性の時空間パターンも明らかにします。
全体として、私たちの調査結果は、時空間的な乗客数の予測のために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の多様な確率的仮定の調査を継続し、レジリエントな都市を構築するための不確実性を定量化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