[論文レビュー] A Deep Generative Adversarial Architecture for Network-Wide Spatial-Temporal Traffic State Estimation

Yunyi Liang, Zhiyong Cui+3 more|arXiv (Cornell University)|Jan 5, 2018

Traffic Prediction and Management Techniques参考文献 13被引用数 3

ひとこと要約

本稿では、交通流理論と2つのLong Short-Term Memory (LSTM) ネットワークを組み合わせた深層生成対抗アーキテクチャ（GAA）を提案する。このアーキテクチャは、欠損データを含むネットワーク全体の空間的・時間的交通状態を推定することを目的としている。生成ネットワークは現実的な交通行列を学習し、識別ネットワークはそれらを検証することで、欠損したフローおよび密度値の高精度な補完を可能にし、シーベルとサンディエゴの実データにおいてベイジアンネットワークを上回る性能を発揮する。

ABSTRACT

This study proposes a deep generative adversarial architecture (GAA) for network-wide spatial-temporal traffic state estimation. The GAA is able to combine traffic flow theory with neural networks and thus improve the accuracy of traffic state estimation. It consists of two Long Short-Term Memory Neural Networks (LSTM NNs) which capture correlation in time and space among traffic flow and traffic density. One of the LSTM NNs, called a discriminative network, aims to maximize the probability of assigning correct labels to both true traffic state matrices (i.e., traffic flow and traffic density within a given spatial-temporal area) and the traffic state matrices generated from the other neural network. The other LSTM NN, called a generative network, aims to generate traffic state matrices which maximize the probability that the discriminative network assigns true labels to them. The two LSTM NNs are trained simultaneously such that the trained generative network can generate traffic matrices similar to those in the training data set. Given a traffic state matrix with missing values, we use back-propagation on three defined loss functions to map the corrupted matrix to a latent space. The mapping vector is then passed through the pre-trained generative network to estimate the missing values of the corrupted matrix. The proposed GAA is compared with the existing Bayesian network approach on loop detector data collected from Seattle, Washington and that collected from San Diego, California. Experimental results indicate that the GAA can achieve higher accuracy in traffic state estimation than the Bayesian network approach.

研究の動機と目的

• センサデータの欠損値が存在する状況下でも、ネットワーク全体の交通状態を正確に推定する課題に対処すること。
• 交通流理論を深層学習と統合し、交通ダイナミクスの空間的・時間的モデリングを向上させること。
• 不完全な観測から現実的な交通状態パターンを学習する生成対抗フレームワークを構築すること。
• 実都市ネットワークにおける従来のベイジアンネットワーク手法を上回る推定精度を実現すること。

提案手法

• GAAは2つのLSTMニューラルネットワークを採用する：生成ネットワークは交通状態行列を合成し、識別ネットワークは本物の行列と生成された行列を区別する。
• 2つのネットワークは敵対的学習により訓練され、生成された交通状態の現実性と正確性が向上する。
• 3損失バックプロパゲーションフレームワークにより、欠損値を含む歪んだ交通行列が潜在空間にマッピングされる。
• その後、事前に訓練済みの生成ネットワークを介して、欠損したフローおよび密度値が推定される。
• 物理的交通流原則が深層学習アーキテクチャに統合され、一般化性能と妥当性の向上が図られる。
• 訓練は、シーベルおよびサンディエゴのループ検出器データを用いて実施され、実世界の空間的・時間的パターンを捉える。

実験結果

リサーチクエスチョン

• RQ1 深層生成対抗アーキテクチャは、ネットワーク全体の欠損した空間的・時間的交通状態を効果的に推定できるか？
• RQ2 交通流理論を深層学習と統合することで、推定精度はどの程度向上するか？
• RQ3 実世界のデータにおいて、GAAはベイジアンネットワークをどの程度上回るか？
• RQ4 2つのLSTMの敵対的訓練により、現実世界のダイナミクスを反映する現実的な交通行列が生成可能か？

主な発見

• GAAは、シーベルおよびサンディエゴのループ検出器データセットにおいて、ベイジアンネットワーク手法よりも高い推定精度を達成した。
• モデルは、複数のセンサにわたる交通フローおよび密度の複雑な空間的・時間的相関関係を効果的に捉えた。
• 敵対的訓練フレームワークにより、生成された交通行列の現実性と忠実度が著しく向上した。
• 3損失バックプロパゲーション手法により、不完全な交通行列を意味のある潜在空間に効果的にマッピングし、正確な補完が可能になった。