[論文レビュー] A Hybrid Method for Traffic Flow Forecasting Using Multimodal Deep Learning

Shengdong Du, Tianrui Li+2 more|arXiv (Cornell University)|Mar 6, 2018

Traffic Prediction and Management Techniques参考文献 31被引用数 67

ひとこと要約

複数データモダリティ間の時空間相関を学習して短期の交通量を共同予測する、1D CNN、GRU、およびアテンションを用いたハイブリッドなマルチモーダル深層学習フレームワーク。

ABSTRACT

Traffic flow forecasting has been regarded as a key problem of intelligent transport systems. In this work, we propose a hybrid multimodal deep learning method for short-term traffic flow forecasting, which can jointly and adaptively learn the spatial-temporal correlation features and long temporal interdependence of multi-modality traffic data by an attention auxiliary multimodal deep learning architecture. According to the highly nonlinear characteristics of multi-modality traffic data, the base module of our method consists of one-dimensional Convolutional Neural Networks (1D CNN) and Gated Recurrent Units (GRU) with the attention mechanism. The former is to capture the local trend features and the latter is to capture the long temporal dependencies. Then, we design a hybrid multimodal deep learning framework (HMDLF) for fusing share representation features of different modality traffic data by multiple CNN-GRU-Attention modules. The experimental results indicate that the proposed multimodal deep learning model is capable of dealing with complex nonlinear urban traffic flow forecasting with satisfying accuracy and effectiveness.

研究の動機と目的

• インテリジェント交通システムにおける正確な短期交通量予測を動機づける。
• 都市交通データにおける非線形特性とマルチモダリティに対処する。
• モダリティ内およびモダリティ間の局所的なトレンド特徴と長期的な時系列依存性を学習する。
• 異なるモダリティからの共有表現を適応的に融合するフレームワークを開発する。

提案手法

• ベースモジュールは局所的なトレンド抽出のための1D CNNと長期的な時系列モデリングのためのGRUを組み合わせる。
• 情報的な時系列特徴に焦点を当てるためにアテンション機構を組み込む。
• 複数モダリティデータからの共有表現を融合するハイブリッドマルチモーダル深層学習フレームワーク（HMDLF）を設計する。
• 多様なモダリティ特有のパターンを捉えるために複数のCNN-GRU-Attentionモジュールを活用する。
• モダリティ横断のマルチモーダル融合のための適応学習アーキテクチャを提供する。

実験結果

リサーチクエスチョン

• RQ1 マルチモーダル深層学習アプローチは単一モダリティモデルよりも短期交通量予測を改善できるか？
• RQ2 アテンションベースの融合はクロスモダリティ情報を交通予測にどれだけ効果的に活用できるか？
• RQ3 CNNとGRUの組み合わせが交通データの局所的および長距離の時系列パターンを捉えるうえでどのような影響を与えるか？
• RQ4 提案されたHMDLFフレームワークは非線形の都市交通特性を頑健に扱えるか？

主な発見

• 提案されたマルチモーダル深層学習モデルは複雑な非線形都市交通流予測を効果的に処理することを示す。
• このアーキテクチャはCNN-GRU構造とアテンションを用いて局所的なトレンドと長期的な時系列依存を統合する。
• HMDLFフレームワークによる複数モダリティの融合は予測の精度と有効性を満足のいく水準に達成する。