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

Technische Samenvatting: Voorspelling van scheepvaartverkeersstromen op schaarse data via Spatio-Temporele Grafische Neurale Netwerken met een leerbare Tweedie-kop

1. Probleemstelling

Nauwkeurige voorspelling van scheepvaartverkeersstromen is essentieel voor slimme havenoperaties en navigatieveiligheid. Echter, maritieme verkeersdata vertonen unieke uitdagingen vergeleken met stedelijke wegennetwerken. In tegen tegenstelling tot dicht stedelijk verkeer, vertoont maritieme beweging inherente willekeur, heterogeniteit en ernstige zero inflation (intermitterende uitbarstingen van activiteit gevolgd door lange perioden van inactiviteit).

Het artikel identificeert dat conventionele Spatio-Temporele Grafische Neurale Netwerken (ST-GNN's), hoewel succesvol in stedelijke domeinen, significant degraderen in deze maritieme context. Wanneer ze getraind worden op zeer schaarse data, hebben deze modellen de neiging om te convergeren naar conservatieve voorspellingen nabij nul, waardoor ze kritieke niet-nul verkeerspieken niet kunnen vastleggen. Hoewel Zero-Inflated Negative Binomial (ZINB) modellen zijn voorgesteld om schaarste aan te pakken, merkt het artikel hun beperkingen op: hun tweeledige formulering (het apart modelleren van nul-generatie en telprocessen) kan suboptimale resultaten opleveren als de aannames over nul-generatie worden geschonden, en ze hebben vaak moeite met het vastleggen van het langgerekte gedrag (long-tailed behavior) van plotselinge verkeersuitbarstingen. Verder leunen bestaande Tweedie-gebaseerde benaderingen in andere domeinen vaak op surrogaat trainingsdoelstellingen (bijv. benaderingen van de ondergrens) om de onhandelbare oneindige reeks in de Tweedie-likelihood te omzeilen, wat complexiteit en benaderingsfouten introduceert.

2. Methodologie

De auteurs stellen een model-agnostische leerbare Tweedie-kop voor, ontworpen om als een plug-and-play outputmodule aan willekeurige ST-GNN backbones te worden bevestigd. De kerncomponenten van de methodologie zijn:

• Grafische Formulering: Het maritieme systeem wordt gemodelleerd als een gerichte graaf $G=(V, E, A)$, waarbij knopen staat voor haven- en ankerzones, en randen navigatieverbindingen vertegenwoordigen afgeleid van transities in scheeps-trajecten.
• Tweedie Modellering: In plaats van de twee-delige ZINB-mechanisme, maakt het model gebruik van de Tweedie exponential dispersion family (specifiek de compound Poisson-Gamma verdeling voor $1 < p < 2$). Deze verdeling modelleert van nature nul-uitkomsten en continue positieve waarden zonder dat een expliciete zero-gating mechanisme vereist is.
• Leerbare Variantie-exponent: Een cruciale innovatie is de voorspelling van een knoop-niveau variantie-exponent parameter $p$. De kop splitst de backbone-features om de gemiddelde waarde $\mu$ en de exponent $p$ voor elke knoop te voorspellen. Dit stelt het model in staat om adaptief ruimtelijke heterogeniteit te vangen, variërend van bijna-Poisson verkeer ($p \approx 1.1$) tot overgedisperseerd, Gamma-achtig verkeer ($p \approx 1.9$).
• Trainingsdoelstelling (Unit Deviance): Om de onhandelbare oneindige reeks vereist voor de exacte Tweedie log-likelihood te vermijden, optimaliseren de auteurs de Tweedie unit deviance. Dit biedt een gesloten vorm van de doelfunctie die stabiele backpropagation garandeert zonder te vertrouwen op benaderingen van de ondergrens. De verliesfunctie is gedefinieerd als:
  $$d(y, \mu, p) = 2 \left( \frac{y^{2-p}}{(1-p)(2-p)} - \frac{y \mu^{1-p}}{1-p} + \frac{\mu^{2-p}}{2-p} \right)$$
  (waarbij de eerste term 0 wordt gesteld wanneer $y=0$).
• Inferentie: Het model geeft de Tweedie-gemiddelde $\hat{y} = \mu$ als de puntvoorspelling.

3. Experimentele Opstelling

• Dataset: Real-world Automatic Identification System (AIS) data van de Haven van Los Angeles en Long Beach (LA/LB) van september tot november 2024.
• Grafische Constructie: 30 polygonale knopen (terminals en ankerzones) werden geëxtraheerd via DBSCAN-clustering van stationaire AIS-signalen. 198 gerichte randen werden geconstrueerd op basis van het aantal transities tussen schepen.
• Baselines: De voorgestelde kop werd getest op drie representatieve ST-GNN backbones: STGCN, DCRNN, en Graph WaveNet (GWNet).
• Vergelijkingen: Elke backbone werd geëvalueerd met drie output koppen:
  1. Base: Standaard regressie (MAE loss).
  2. +ZINB: Een ZINB-kop.
  3. +Tweedie (Onze methode): De voorgestelde leerbare Tweedie-kop.
• Metrieken: Mean Absolute Error (MAE) en Root Mean Square Error (RMSE) werden gerapporteerd voor zowel "Alle" data als "Niet-nul" data (om de bias van frequente nullen te mitigeren).

4. Belangrijkste Resultaten

• Prestaties op Niet-Nul Gebeurtenissen: Conventionele ST-GNN's (Base) behaalden de laagste algehele MAE maar presteerden slecht op niet-nul gebeurtenissen, wat hun neiging tot het ondervoorspellen van verkeerspieken bevestigt. Zowel +ZINB als +Tweedie verbeterden de Niet-nul MAE, wat duidt op een betere sensitiviteit voor daadwerkelijke verkeersactiviteit.
• RMSE Superieuriteit: De voorgestelde +Tweedie methode behaalde consistent de laagste RMSE en Niet-nul RMSE over alle drie de backbones. Aangezien RMSE grotere fouten zwaarder bestraft, geeft dit aan dat de Tweedie-kop superieur is in het vastleggen van de magnitude van plotselinge verkeersstromen vergeleken met zowel de Base als de ZINB-modellen.
• Kwalitatieve Analyse: Visualisaties van 1-stap-vooruit voorspellingen lieten zien dat terwijl het Base-model vlakke, conservatieve voorspellingen produceerde, en het ZINB-model vaak de piek-magnitudes onderschatte (door het kortingseffect van de zero-inflation gate $\pi$), de Tweedie-kop scherpere, meer proportionele voorspellingen produceerde die de stijging en daling van verkeerspieken in zowel anker- als terminalzones nauwgezet volgden.

5. Betekenis en Claims

Het artikel claimt dat de voorgestelde model-agnostische leerbare Tweedie-kop een robuuste oplossing biedt voor schaarse maritieme verkeersvoorspelling door:

1. Eliminatie van Benaderingsfouten: Door de gesloten vorm van de unit deviance te optimaliseren in plaats van te vertrouwen op surrogaat likelihood-benaderingen, zorgt de methode voor stabiele training zonder de complexiteit van oneindige-reeks sommaties.
2. Het Vangen van Heterogeniteit: De leerbare knoop-niveau variantie-exponent $p$ stelt het model in staat om zich aan te passen aan de specifieke statistische kenmerken van verschillende havengebieden.
3. Verbeterde Betrouwbaarheid: Het framework verbetert de voorspelling van niet-nul verkeersgebeurtenissen aanzienlijk, waardoor een betrouwbaarder signaal voor praktische maritieme verkeerscontrole wordt geboden dan conventionele ST-GNN's of ZINB-gebaseerde benaderingen.

Beperkingen en Toekomstig Werk:
De auteurs merken bescheiden op dat hoewel de methode de voorspelling van pieken verbetert, deze nog steeds de neiging heeft conservatief te blijven tijdens de meest extreme gebeurtenissen. De studie is beperkt tot één regio (LA/LB) en een specifieke drie maanden durende periode met uurlijkse aggregatie. Toekomstig werk richt zich op cross-regio evaluatie, het integreren van exogene informatie (bijv. weer, schema's), dynamische grafische updates, en het verkennen van tail-aware doelstellingen of hybride benaderingen om extreme verkeerspieken beter te kunnen afhandelen.