基于移动网络学习时空动态以适应开放世界事件

研究背景

现代社会的出行服务(Mobility-as-a-Service,MaaS)体系由多种交通方式(如公共交通、网约车、共享单车等)无缝集成而成。为实现MaaS平稚运营,对多模态移动网络的时空动态建模是必不可少的。然而,现有方法要么隐式地处理不同交通方式之间的相互作用,要么假设这种交互作用是不变的。更有甚者,当发生开放世界事件(如节假日、恶劣天气、疫情等)时,人群的集体移动行为将发生显著偏离常态的情况,这使得该建模任务更加具有挑战性。

论文来源

本文由伊利诺伊大学厄巴纳 - 香槟分校地理与地理信息科学系的Zhaonan Wang、东京大学空间信息科学中心的Renhe Jiang、Xuan Song、Ryosuke Shibasaki,以及新南威尔士大学计算机科学与工程学院的Hao Xue、Flora D. Salim等人合著。论文已被人工智能(Artificial Intelligence)期刊接受,将在2024年正式出版。

研究内容和创新之处

研究流程

该研究针对于多模态移动需求预测(Multimodal Mobility Nowcasting)任务。作者首先设计了一种异构移动信息网络(Heterogeneous Mobility Information Network, HMIN),明确表示了不同交通方式之间的相互作用(即”intermodality”)。具体来说,HMIN由区域节点(region nodes)、交通模式节点(modal nodes)以及连接它们的多种边(edges)构成,能够同时刻画空间和交通模式两个领域的依赖关系。

其次,作者提出了一种新颖的基于内存和动态滤波器的生成器(Memory-Augmented Dynamic Filter Generator, MDFG)。MDFG能够根据输入序列的特征实时生成参数,从而使模型对各种情景(包括从未见过的开放世界事件)都能做出适当的响应。 MDFG由一个可学习的内存库(mobility prototype memory)和一个动态滤波器生成层组成。内存库存储了一些高层次的移动原型表示,包含了空间、时间和多模态等多方面的知识;动态滤波器生成层则根据当前输入序列的特征,从内存库中查询相似的原型表示,并据此生成序列相关的参数。

最后,作者将HMIN和MDFG相结合,设计了一种开放世界事件感知的时空网络(Event-Aware Spatio-Temporal Network, EAST-Net)。EAST-Net不仅能够显式建模不同交通方式之间的动态交互,还能根据当前输入序列的特征自适应调整参数,从而具备更强的事件感知和适应能力。

数据集

文中使用了5个真实世界的移动数据集进行评估,这些数据集覆盖了不同的时空尺度,并包含一些具有重大社会影响的开放世界事件,如纽约、华盛顿特区的”乔纳斯”暴风雪(2016年)、佛罗里达州的”多里安”飓风(2019年)、美国和芝加哥的2019冠状病毒病(COVID-19)疫情等。

实验结果

实验结果表明,与现有主流方法相比,EAST-Net在多模态移动需求预测任务上取得了明显更优的性能,尤其是在开放世界事件发生时,其事件感知和适应能力得到了充分体现。

此外,通过一系列知识迁移实验,研究人员发现EAST-Net在空间和时间领域都具有一定的泛化能力。具体来说,在COVID-19疫情数据集上,芝加哥城市学习到的知识可以较为直接地应用到全美范围;而在暴风雪数据集上,两个城市之间的知识迁移则需要进一步的训练适应。这些发现说明,在不同场景下,移动模式的性质(出行方式vs.出行目的地)可能会影响知识的可迁移程度。

研究意义

该研究有以下几个主要意义:

1) HMIN结构明确地表示了不同交通方式之间的相互作用,为解决MaaS中多模态移动的协同优化问题奠定了基础。

2) MDFG机制使模型能够根据具体情景动态调整参数,从而具备了更强的事件感知和自适应能力,为开放世界环境下的人工智能提供了一种可借鉴的解决思路。

3) 泛化实验表明,所提出的内存和原型表示机制有望成为未来时空基础模型的核心部件,使模型不仅能够适应不同的空间区域,还能够及时响应突发的开放世界事件。

总结

该项研究针对多模态移动网络的时空动态建模问题,特别是在面临开放世界事件冲击时如何适应突发异常情况。作者设计了异构移动信息网络和基于内存的动态参数生成机制,提出了一种开放世界事件感知的时空网络模型。大量实验结果验证了该模型在事件感知、适应性和泛化能力方面的优异表现,为MaaS等实际应用场景提供了有价值的技术支撑。展望未来,这一领域的研究仍然值得业界和学术界的持续关注和深入探索。