[論文レビュー] A Compressive Sensing Approach for Connected Vehicle Data Capture and Recovery and its Impact on Travel Time Estimation

Lei Lin, Weizi Li+1 more|arXiv (Cornell University)|Jun 26, 2018

Sparse and Compressive Sensing Techniques参考文献 18被引用数 3

ひとこと要約

本稿は、走行車両（CV）データのリアルタイム圧縮と高精度な回復を可能にする、圧縮センシング（CS）フレームワークを提案している。このフレームワークにより、高精細な旅行時間推定を維持しつつ、効率的なストレージと通信が実現される。圧縮比が低くても、旅行時間推定誤差は最大65％低減され、速度データ回復の平均二乗誤差は0.05未満に抑えられ、OBUのハードウェアコストも削減される。

ABSTRACT

Connected vehicles (CVs) can capture and transmit detailed data such as vehicle position and speed through vehicle-to-vehicle and vehicle-to-infrastructure communications. The wealth of CV data provides new opportunities to improve safety and mobility of transportation systems. However, it is likely to overburden storage and communication systems. To mitigate this issue, we propose a compressive sensing (CS) approach that allows CVs to capture and compress data in real-time and later recover the original data accurately and efficiently. The approach is evaluated using two case studies. In the first study, we use this approach to recapture 10 million CV Basic Safety Message (BSM) speed samples. It can recover the original speed data with root-mean-squared error as low as 0.05. We also explore recovery performance for other BSM variables. In the second study, a freeway traffic simulation model is built to evaluate the impact of this approach on travel time estimation. Multiple scenarios with various CV market penetration rates, On-board Unit (OBU) capacities, compression ratios, arrival rate patterns, and data capture rates are simulated. The results show that the approach provides more accurate estimation than conventional data collection methods, through up to 65% relative reduction in travel time estimation error. Even when the compression ratio is low, the approach can provide accurate estimation, thereby reducing OBU hardware costs. Further, it can improve accuracy of travel time estimation when CVs are in traffic congestion as it provides a broader spatial-temporal coverage of traffic conditions and can accurately and efficiently recover the original CV data.

研究の動機と目的

• 走行車両（CV）から発生する高容量かつリアルタイムのデータによるデータ過多問題に対処すること。
• 交通分野の応用においてデータの忠実度を保ちながら、リアルタイムのデータ圧縮と回復手法を開発すること。
• CSに基づくCVデータ処理が、さまざまな市場浸透率およびシステム制約下での旅行時間推定精度に与える影響を評価すること。
• 推定性能を損なわせることなく、効果的なデータ圧縮を可能にすることで、OBUのハードウェアコストを削減すること。

提案手法

• 本研究では、走行車両データ（例：Basic Safety Messages（BSMs））をサブ・ナイキストレートでサンプリングおよび圧縮するために、圧縮センシング（CS）を採用している。
• CVデータのスパース表現を仮定し、車両の速度および位置における時間的・空間的相関を活用して、効率的な圧縮を実現している。
• 元のデータを圧縮測定値から回復するために、直交一致追跡（OMP）を復元アルゴリズムとして用いている。
• フレームワークの妥当性を検証するために、1,000万件の実際のBSMデータと、変動する市場浸透率およびOBU容量を想定した高速道路交通シミュレーションモデルを用いている。
• データ圧縮比を変化させることで、データ削減と推定精度のトレードオフを評価している。
• 回復されたデータを用いて旅行時間推定を実施し、従来のデータ収集手法と比較している。

実験結果

リサーチクエスチョン

• RQ1 圧縮測定値から、特に速度データをどれほど正確に圧縮センシングで元のCVデータに回復できるか？
• RQ2 異なる圧縮比が、現実の交通状況における旅行時間推定精度に与える影響は何か？
• RQ3 従来のデータ収集手法と比較して、提案されたCSアプローチは推定誤差低減においてどの程度効果を示すか？
• RQ4 低レベルのCV市場浸透率および限られたOBUストレージ容量下でも、この手法はどの程度の精度を維持できるか？
• RQ5 CSフレームワークは、交通モニタリング応用におけるデータ忠実度を損なわせることなく、OBUのハードウェアコストを削減できるか？

主な発見

• CSアプローチは、圧縮率が高くても速度データを平均二乗誤差0.05未満で回復でき、高忠実度を実現している。
• CSフレームワークを用いることで、従来のデータ収集手法と比較して、旅行時間推定誤差が最大65％低減された。
• 低圧縮比でも正確な旅行時間推定が維持され、ハードウェア要件を低減できるコスト効率の高いOBU展開が可能になった。
• 交通渋滞時において、広範な時間的・空間的カバレッジを提供することで、推定精度が向上した。
• 回復性能は、速度データに限らず、さまざまなBSM変数に対して安定しており、速度データを超えた一般化可能性が示された。
• フレームワークは、効率的なデータキャプチャと回復を可能にし、リアルタイム交通モニタリングシステムに適している。