[論文レビュー] A Capsule Network for Traffic Speed Prediction in Complex Road Networks

Youngjoo Kim, Peng Wang+2 more|arXiv (Cornell University)|Jul 23, 2018

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本稿では、複雑な道路網における交通速度予測のための、キャプセルネットワークに基づく深層学習モデルを提案する。従来のCNNのマックスプーリングに代えて動的ルーティングを採用することで、空間的・時間的関係を保持する。スペイン・サンタンデールの実世界データを用いた評価において、最先端のCNNベースの手法と比較して、平均二乗誤差を13.1%低減した。

ABSTRACT

This paper proposes a deep learning approach for traffic flow prediction in complex road networks. Traffic flow data from induction loop sensors are essentially a time series, which is also spatially related to traffic in different road segments. The spatio-temporal traffic data can be converted into an image where the traffic data are expressed in a 3D space with respect to space and time axes. Although convolutional neural networks (CNNs) have been showing surprising performance in understanding images, they have a major drawback. In the max pooling operation, CNNs are losing important information by locally taking the highest activation values. The inter-relationship in traffic data measured by sparsely located sensors in different time intervals should not be neglected in order to obtain accurate predictions. Thus, we propose a neural network with capsules that replaces max pooling by dynamic routing. This is the first approach that employs the capsule network on a time series forecasting problem, to our best knowledge. Moreover, an experiment on real traffic speed data measured in the Santander city of Spain demonstrates the proposed method outperforms the state-of-the-art method based on a CNN by 13.1% in terms of root mean squared error.

研究の動機と目的

• マックスプーリング操作による交通データ内の相互関係の損失という、畳み込みニューラルネットワーク（CNNs）の限界を解決すること。
• 元々コンピュータビジョン向けに開発されたキャプセルネットワークを、交通システムにおける時系列予測に応用することの可能性を探ること。
• 疎に配置された誘導ループセンサーからの交通速度データにおける空間的・時間的依存関係を、より効果的にモデル化すること。
• 交通パターンの階層的関係を捉えることで、複雑な道路網における予測精度を向上させること。
• 実世界データを用いて、キャプセルネットワークがCNNよりも交通速度予測で優れていることを実証すること。

提案手法

• 空間的および時間的次元を持つ3次元表現に、空間的・時間的交通速度データを変換し、深層学習処理用に画像として扱う。
• CNNの従来のマックスプーリングを、空間的関係と特徴の階層を保持するキャプセルネットワークの動的ルーティングに置き換える。
• キャプセルを用いて、交通パターンのポーズパラメータ（例：位置、スケール）を符号化し、道路区間間の空間的依存関係に注目できるようにする。
• 反復的な動的ルーティングを用いて、キャプセル間の接続強度を決定し、交通特徴間の意味のある関係を学習可能にする。
• 実交通速度データ上でエンドツーエンドにキャプセルネットワークを訓練し、さまざまな道路区間における将来の速度を予測する。
• 性能評価のため、スペイン・サンタンデールの実世界データセットにモデルを適用し、CNNベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 マックスプーリングをキャプセルベースのルーティングに置き換えることで、空間的・時間的関係を保持できるキャプセルネットワークが、交通速度予測においてCNNを上回る性能を示せるか？
• RQ2 疎に配置されたセンサーからの交通データ間の相互関係をモデル化する際、動的ルーティングはどの程度効果的か？
• RQ3 マックスプーリングをキャプセルベースのルーティングに置き換えることで、複雑な道路網における予測精度はどの程度向上するか？
• RQ4 キャプセルネットワークアーキテクチャは、交通システムにおける時系列予測タスクに適しているか？
• RQ5 実交通データにおいて、根平均二乗誤差（RMSE）の観点から、本手法は最先端のCNNベースの手法と比べてどの程度優れているか？

主な発見

• 提案されたキャプセルネットワークは、スペイン・サンタンデールの実世界交通速度データにおいて、最先端のCNNベース手法と比較して13.1%低い根平均二乗誤差（RMSE）を達成した。
• 動的ルーティングのおかげで、長距離依存関係や空間的関係を効果的に捉える能力に優れている。
• キャプセルの使用により、標準的なCNNのマックスプーリングで失われる特徴の階層と空間的関係が効果的に保持された。
• 本手法は、時系列予測、特に交通速度予測へのキャプセルネットワークの応用として、知られている最初の例である。
• 結果から、動的ルーティングが空間的・時間的交通データにおける特徴表現学習を強化し、より正確な予測を可能にすることが確認された。
• 本モデルは、疎なセンサー情報でも高い性能を維持しており、実運用環境における耐障害性が示された。