Physics-guided Active Sample Reweighting for Urban Flow Prediction

要約

都市流動予測は、バス、タクシー、ライドシェアリングなどの交通サービスのスループットを推定する時空間モデリング タスクであり、過去 10 年間でデータ駆動型モデルが最も人気のあるソリューションとなっています。
一方で、過去の観測値と予測ターゲットの間で暗黙的に学習されたマッピングは、現実世界の都市の流れの力学を過度に単純化する傾向があり、最適とはいえない予測につながります。
最近の時空間予測ソリューションの一部は、物理ガイド付き機械学習 (PGML) の概念による改善をもたらし、微妙で原則的な物理法則で時空間データを記述し、予測精度と解釈可能性の両方を向上させます。
ただし、これらの時空間 PGML 手法は、観測データが物理システムを定義する微分方程式に完全に準拠しているという強い前提に基づいて構築されており、都市の流れの予測タスクではすぐに不適切な状態になる可能性があります。
観測された都市の流れデータは、特に予測を容易にするために時間依存のスナップショットにスライスされた場合、通常は不完全でまばらであり、収集プロセスで発生する固有のノイズが発生しやすいです。
結果として、データと PGML モデル間のこのような物理的な不一致により、ソリューションの予測力と堅牢性が大幅に制限されます。
さらに、多くの交通サービスでは間隔ベースの予測とデータ ファイリングの断続的な性質により、都市の流れの瞬間的なダイナミクスを捉えることがほとんどできず、微分方程式ベースの連続モデリングがこの設定にあまり適合しません。
この課題を克服するために、離散化された物理ガイド付きネットワーク (PN) を開発し、PN を強化するデータ認識フレームワークである物理ガイド付きアクティブ サンプル再重み付け (P-GASR) を提案します。
4 つの現実世界のデータセットでの実験結果は、私たちの方法が堅牢性の明らかな向上とともに最先端のパフォーマンスを達成していることを示しています。

要約(オリジナル)

Urban flow prediction is a spatio-temporal modeling task that estimates the throughput of transportation services like buses, taxis, and ride-sharing, where data-driven models have become the most popular solution in the past decade. Meanwhile, the implicitly learned mapping between historical observations to the prediction targets tend to over-simplify the dynamics of real-world urban flows, leading to suboptimal predictions. Some recent spatio-temporal prediction solutions bring remedies with the notion of physics-guided machine learning (PGML), which describes spatio-temporal data with nuanced and principled physics laws, thus enhancing both the prediction accuracy and interpretability. However, these spatio-temporal PGML methods are built upon a strong assumption that the observed data fully conforms to the differential equations that define the physical system, which can quickly become ill-posed in urban flow prediction tasks. The observed urban flow data, especially when sliced into time-dependent snapshots to facilitate predictions, is typically incomplete and sparse, and prone to inherent noise incurred in the collection process. As a result, such physical inconsistency between the data and PGML model significantly limits the predictive power and robustness of the solution. Moreover, due to the interval-based predictions and intermittent nature of data filing in many transportation services, the instantaneous dynamics of urban flows can hardly be captured, rendering differential equation-based continuous modeling a loose fit for this setting. To overcome the challenges, we develop a discretized physics-guided network (PN), and propose a data-aware framework Physics-guided Active Sample Reweighting (P-GASR) to enhance PN. Experimental results in four real-world datasets demonstrate that our method achieves state-of-the-art performance with a demonstrable improvement in robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google