[論文レビュー] A Comprehensive Survey on Traffic Prediction.

Xueyan Yin, Genze Wu+4 more|arXiv (Cornell University)|Apr 18, 2020

Traffic Prediction and Management Techniques被引用数 52

ひとこと要約

本論文は、交通予測手法に関する包括的なサーベイを提示し、既存のアプローチを分類し、公開データセット上で最先端技術を評価・ベンチマーク化し、交通速度および需要予測のパフォーマンスを測定している。分類体系を提示し、応用事例をレビューし、主要なデータセットを収集・整理し、インテリジェント交通システム分野における今後の研究方向性を特定している。

ABSTRACT

Traffic prediction plays an essential role in intelligent transportation system. Accurate traffic prediction can assist route planing, guide vehicle dispatching, and mitigate traffic congestion. This problem is challenging due to the complicated and dynamic spatio-temporal dependencies between different regions in the road network. Recently, a significant amount of research efforts have been devoted to this area, greatly advancing traffic prediction abilities. The purpose of this paper is to provide a comprehensive survey for traffic prediction. Specifically, we first summarize the existing traffic prediction methods, and give a taxonomy of them. Second, we list the common applications of traffic prediction and the state-of-the-art in these applications. Third, we collect and organize widely used public datasets in the existing literature. Furthermore, we give an evaluation by conducting extensive experiments to compare the performance of methods related to traffic demand and speed prediction respectively on two datasets. Finally, we discuss potential future directions.

研究の動機と目的

• 既存の交通予測手法の体系的分類体系を提供すること。
• インテリジェント交通システムにおける交通予測の最先端応用をレビューすること。
• 交通予測研究に広く使われている公開データセットを収集・整理すること。
• 速度および需要予測タスクにおける交通予測モデルのパフォーマンスを評価・比較すること。
• 未解決の課題を特定し、今後の研究方向性を提案すること。

提案手法

• 本論文は、基礎技術に基づいて交通予測手法を明確なカテゴリに分類する構造的文献レビューを実施している。
• 著者らは、速度および需要予測のための2つの広く使われている公開データセットを用いて、広範な実験を通じて最先端モデルの性能を評価している。
• 著者らは、その特徴や先行研究での利用状況を含め、一般的に使われる公開データセットを整理・要約している。
• モデルの性能指標と一般化性能に注目し、交通速度および需要予測の両方の分野における比較分析を実施している。
• 本サーベイでは、手法論的トレンド、限界、および現在のアプローチの改善可能性について議論している。
• 現在の手法論およびデータセットにおけるギャップに基づき、今後の研究方向性を同定している。

実験結果

リサーチクエスチョン

• RQ1 文献における交通予測手法の主なカテゴリと分類体系は何か？
• RQ2 最先端モデルは、公開データセット上で交通速度および需要予測のタスクでどのように性能を発揮するか？
• RQ3 交通予測研究で最も広く使われている公開データセットは何か？ その主な特徴は何か？
• RQ4 速度予測用モデルと需要予測用モデルの間で、性能に顕著な差異は生じるか？
• RQ5 交通予測分野における主要な未解決課題および今後の研究方向性は何か？

主な発見

• 本サーベイでは、統計的手法、機械学習、深層学習に基づくアプローチを含む、複数の手法論的カテゴリを同定している。
• パフォーマンスベンチマークの結果、グラフニューラルネットワークやアテンション機構を活用する深層学習モデルが、両方のタスクで伝統的手法を上回る性能を示している。
• 本論文は、空間的・時間的カバレッジ、データタイプ、および先行研究での利用状況を含め、公開データセットの包括的なリストを収集している。
• 実験的評価により、グラフベースのモデルが道路網全体の空間的依存関係を捉える点で一貫した性能優位性を示していることが明らかになった。
• 本研究では、データ不足、モデルの一般化性能、リアルタイム推論が、さらなる進展を妨げる主な課題であると特定した。
• 今後の研究は、解釈可能なAI、マルチモーダルデータ統合、多様な都市環境における一般化性能の向上に注力すべきである。