Vessel Traffic Flow Prediction on Sparse Data via Spatio-Temporal Graph Neural Networks with a Learnable Tweedie Head

Sintesi Tecnica: Previsione del Flusso di Traffico Navale su Dati Sparsi tramite Reti Neurali a Grafo Spazio-Temporali con un Capo Tweedie Apprendibile

1. Definizione del Problema

La previsione accurata del flusso di traffico navale è essenziale per le operazioni portuali intelligenti e la sicurezza della navigazione. Tuttavia, i dati del traffico marittimo presentano sfide uniche rispetto alle reti stradali urbane. A differenza del traffico urbano denso, i movimenti marittimi esibiscono un'inerente casualità, eterogeneità e una severa inflazione di zeri (esplosioni intermittenti di attività seguite da lunghi periodi di inattività).

Il documento identifica che le convenzionali Reti Neurali a Grafo Spazio-Temporali (ST-GNN), pur essendo riuscite nei domini urbani, degradano significativamente in questo contesto marittimo. Quando addestrate su dati altamente sparsi, questi modelli tendono a convergere verso previsioni conservative vicine allo zero, fallendo nel catturare i critici picchi di traffico non nulli. Sebbene siano stati proposti modelli Zero-Inflated Negative Binomial (ZINB) per gestire la scarsità, il documento ne nota i limiti: la loro formulazione a due parti (che modella separatamente la generazione di zeri e i processi di conteggio) può produrre risultati subottimali se le assunzioni sulla generazione di zeri vengono violate, e spesso faticano a catturare il comportamento a coda lunga dei repentini aumenti di traffico. Inoltre, gli approcci basati su Tweedie esistenti in altri domini spesso si affidano a obiettivi di addestramento surrogati (ad esempio, approssimazioni del limite inferiore) per bypassare la serie infinita intrattabile della verosimiglianza di Tweedie, introducendo complessità ed errori di approssimazione.

2. Metodologia

Gli autori propongono un capo Tweedie apprendibile e model-agnostic progettato per essere applicato come modulo di output plug-and-play ad arbitrarie dorsali (backbone) ST-GNN. I componenti principali della metodologia sono:

• Formulazione a Grafo: Il sistema marittimo è modellato come un grafo diretto $G=(V, E, A)$, dove i nodi rappresentano zone di port e di ancoraggio, e gli archi rappresentano connessioni di navigazione derivate dalle transizioni delle traiettorie delle navi.
• Modellazione Tweedie: Inveve del meccanismo ZINB a due parti, il modello utilizza la famiglia di dispersione esponenziale di Tweedie (specificamente la distribuzione composta Poisson-Gamma per $1 < p < 2$). Questa distribuzione modella naturalmente gli esiti nulli e i valori positivi continui senza richiedere un meccanismo esplicito di gating dello zero.
• Potenza della Varianza Apprendibile: Una chiave innovazione è la previsione di un parametro di potenza della varianza $p$ a livello di nodo. Il "capo" scinde le caratteristiche della dorsale per prevedere la media $\mu$ e la potenza $p$ per ogni nodo. Ciò consente al modello di adattarsi adattivamente all'eterogeneità spaziale, spaziando da un traffico quasi-Poisson ($p \approx 1.1$) a un traffico Gamma-simile sovradisperso ($p \approx 1.9$).
• Obiettivo di Addestramento (Devianza Unitaria): Per evitare la serie infinale intrattabile richiesta per la verosimiglianza esatta di Tweedie, gli autori ottimizzano la devianza unitaria di Tweedie. Questo fornisce una funzione obiettivo in forma chiusa che garantisce una backpropagation stabile senza fare affidamento su approssimazioni del limite inferiore. La funzione di perdita è definita come:
  $$d(y, \mu, p) = 2 \left( \frac{y^{2-p}}{(1-p)(2-p)} - \frac{y \mu^{1-p}}{1-p} + \frac{\mu^{2-p}}{2-p} \right)$$
  (con il primo termine impostato a 0 quando $y=0$).
• Inferenza: Il modello restituisce la media di Tweedie $\hat{y} = \mu$ come previsione puntuale.

3. Configurazione Sperimentale

• Dataset: Dati reali del sistema di identificazione automatica (AIS) dal Porto di Los Angeles e Long Beach (LA/LB) da settembre a novembre 2024.
• Costruzione del Grafo: 30 nodi poligonali (terminali e ancoraggi) sono stati estratti tramite clustering DBSCAN di segnali AIS stazionari. 198 archi diretti sono stati costruiti sulla base delle transizioni delle navi.
• Baseline: Il capo proposto è stato testato su tre dorsali ST-GNN rappresentative: STGCN, DCRNN e Graph WaveNet (GWNet).
• Confronti: Ogni dorsale è stata valutata con tre capi di output:
  1. Base: Regressione standard (perdita MAE).
  2. +ZINB: Un capo ZINB.
  3. +Tweedie (Nostro): Il proposto capo Tweedie apprendibile.
• Metriche: Sono stati riportati l'Errore Assoluto Medio (MAE) e l'Errore Quadratico Medio (RMSE) sia per i dati "All" (tutti) che per i dati "Non-zero" (per mitigare il bias degli zeri frequenti).

4. Risultati Chiave

• Prestazioni sugli Eventi Non-Zero: Le ST-GNN convenzionali (Base) hanno ottenuto il MAE complessivo più basso ma sono state scarse sulle prestazioni degli eventi non nulli, confermando la loro tendenza a sottostimare i picchi di traffico. Sia +ZINB che +Tweedie hanno migliorato il MAE Non-zero, dimostrando una migliore sensibilità all'effettiva attività del traffico.
• Superiorità dell'RMSE: Il metodo proposto +Tweedie ha costantemente ottenuto l'RMSE e l'RMSE Non-zero più bassi in tutte e tre le dorsali. Poiché l'RMSE penalizza maggiormente gli errori grandi, ciò indica che il capo Tweedie è superiore nel catturare l'entità dei repentini aumenti di traffico rispetto sia ai modelli Base che a quelli ZINB.
• Analisi Qualitativa: Le visualizzazioni delle previsioni a 1 passo in avanti hanno mostrato che, mentre il modello Base produceva previsioni piatte e conservative, e il modello ZINB spesso sottostimava l'entità dei picchi (a causa dell'effetto di sconto del gate di inflazione dello zero $\pi$), il capo Tweedie produceva previsioni più nitide e proporzionate che seguivano da vicino l'ascesa e la discesa dei picchi di traffico sia nelle zone di ancoraggio che in quelle terminali.

5. Significato e Rivendicazioni

Il documento afferma che il capo Tweedie apprendibile e model-agnostic proposto offre una soluzione robusta per la previsione del traffico marittimo sparso attraverso:

1. Eliminazione degli Errori di Approssimazione: Ottimizzando la devianza unitaria in forma chiusa invece di fare affidamento su approssimazioni della verosimiglianza surrogata, il metodo garantisce un addestramento stabile senza la complessità delle sommatorie di serie infinite.
2. Cattura dell'Eterogeneità: La potenza della varianza $p$ apprendibile a livello di nodo permette al modello di adattarsi alle specifiche caratteristiche statistiche di diverse aree portuali.
3. Miglioramento dell'Affidabilità: Il framework migliora significativamente la previsione degli eventi di traffico non nulli, fornendo un segnale più affidabile per il controllo pratico del traffico marittimo rispetto alle ST-GNN convenzionali o agli approcci basati su ZINB.

Limitazioni e Lavori Futuri:
Gli autori notano con modestia che, sebbene il metodo migliori la previsione dei picchi, tende comunque a rimanere conservativo durante gli eventi più estremi. Lo studio è limitato a una singola regione (LA/LB) e a un periodo specifico di tre mesi con aggregazione oraria. Il lavoro futuro proposto include la valutazione cross-regionale, l'incorporazione di informazioni esogene (ad esempio, meteo, programmi), aggiornamenti dinamici del grafo e l'esplorazione di obiettivi sensibili alla coda o approcci ibridi per gestire meglio gli estremi picchi di traffico.