[論文レビュー] A Deep Learning Approach for Network-wide Dynamic Traffic Prediction during Hurricane Evacuation

Md. Rezaur Rahman, Samiul Hasan|arXiv (Cornell University)|Feb 25, 2022

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本論文では、ハリケーン避難時におけるネットワーク全体の動的交通予測のため、転移学習を活用したDGCN-LSTMモデルを提案する。非避難期間のデータを活用し、避難関連の特徴量（例：避難区域までの距離、陸上上陸までの時間）を統合することで、予測誤差を1440.99（ベースライン）から399.69 RMSEまで低減し、予測の信頼性を高めた6時間予測が可能になった。

ABSTRACT

Proactive evacuation traffic management largely depends on real-time monitoring and prediction of traffic flow at a high spatiotemporal resolution. However, evacuation traffic prediction is challenging due to the uncertainties caused by sudden changes in projected hurricane paths and consequently household evacuation behavior. Moreover, modeling spatiotemporal traffic flow patterns requires extensive data over a longer time period, whereas evacuations typically last for 2 to 5 days. In this paper, we present a novel data-driven approach for predicting evacuation traffic at a network scale. We develop a dynamic graph convolution LSTM (DGCN-LSTM) model to learn the network dynamics of hurricane evacuation. We first train the model for non-evacuation period traffic data showing that the model outperforms existing deep learning models for predicting non-evacuation period traffic with an RMSE value of 226.84. However, when we apply the model for evacuation period, the RMSE value increased to 1440.99. We overcome this issue by adopting a transfer learning approach with additional features related to evacuation traffic demand such as distance from the evacuation zone, time to landfall, and other zonal level features to control the transfer of information (network dynamics) from non-evacuation periods to evacuation periods. The final transfer learned DGCN-LSTM model performs well to predict evacuation traffic flow (RMSE=399.69). The implemented model can be applied to predict evacuation traffic over a longer forecasting horizon (6 hour). It will assist transportation agencies to activate appropriate traffic management strategies to reduce delays for evacuating traffic.

研究の動機と目的

• ハリケーン避難時における交通フローのネットワーク全体の予測という、短期間で高不確実性なイベントの課題に取り組むこと。
• 交通予測における非避難期間と避難期間の間のデータ不足と分布シフトの課題を克服すること。
• 非避難期間のデータから学習したネットワークダイナミクスを避難シナリオに転送することで、予測精度を向上させること。
• 避難に特化した文脈特徴量（例：陸上上陸までの時間、避難区域までの距離）を組み込むことで、転移学習の安定性を高めること。
• 避難時における効果的な交通管理を可能にする、長期間予測（6時間）の動的交通予測を可能にすること。

提案手法

• 動的グラフ畳み込みネットワーク（DGCN）を用いて、交通ネットワーク内の道路セグメント間の空間的依存関係をモデル化する。
• DGCNの上流に長短記憶（LSTM）ユニットを積み重ね、交通フローの時間的依存関係を捉える。
• DGCN-LSTMモデルを非避難期間の交通データ上で事前学習し、ベースラインとなるネットワークダイナミクスを学習する。
• 転移学習として、避難データに、避難区域までの距離、陸上上陸までの時間、ゾーンレベルの属性といった追加特徴量を含めて、事前学習モデルを微調整する。
• 予測誤差を最小化するために、平均二乗誤差（MSE）損失関数を用いてエンドツーエンドでモデルを学習する。
• 最終的なモデルは、6時間の予測期間を想定し、ネットワーク全体のスケールで交通フローを予測する。

実験結果

リサーチクエスチョン

• RQ1 非避難期間の交通データで学習した深層学習モデルは、分布シフトが顕著な避難シナリオに一般化できるか？
• RQ2 避難に特化した文脈特徴量を組み込むことで、避難時における予測精度はどのように向上するか？
• RQ3 非避難期間から避難期間に知識を転送する際、転移学習が予測誤差をどの程度低減するか？
• RQ4 高不確実性の避難イベントにおいて、モデルは6時間の予測期間にわたり信頼性の高い性能を維持できるか？
• RQ5 DGCN-LSTMによる空間時間的モデリングは、ネットワーク全体の交通予測精度にどのような影響を及けるか？

主な発見

• 非避難データでのみ学習したベースラインDGCN-LSTMモデルは、安定した交通パターンに対してRMSEが226.84を達成し、優れた性能を示した。
• 非避難データで学習したモデルを避難データに直接適用した場合、予測誤差は顕著に1440.99に上昇し、分布シフトのための一般化性能が著しく低下した。
• 避難に特化した特徴量を組み込んだ転移学習アプローチにより、RMSEは399.69にまで低減され、予測精度が顕著に向上した。
• 最終モデルは、6時間先までの交通フローを的確に予測でき、予防的交通管理を支援した。
• 陸上上陸までの時間や避難区域までの距離といった特徴量の組み込みが、ネットワークダイナミクスの転送を安定化させる上で不可欠であった。
• 特に高不確実性のシナリオ下でも、標準的な深層学習ベースラインを上回る性能を示した。