[論文レビュー] A Unified Neural Network Approach for Estimating Travel Time and Distance for a Taxi Trip

Ishan Jindal, Tony Tony+4 more|arXiv (Cornell University)|Oct 12, 2017

Traffic Prediction and Management Techniques参考文献 15被引用数 62

ひとこと要約

本論文は ST-NN を提案する。ST-NN は origin-destination ペアの旅行時間と旅行距離を、GPS bin 座標と時刻だけを用いて共同推定する統一的ディープニューラルネットワークであり、NYC taxi データに対して最先端手法より性能が良い。

ABSTRACT

In building intelligent transportation systems such as taxi or rideshare services, accurate prediction of travel time and distance is crucial for customer experience and resource management. Using the NYC taxi dataset, which contains taxi trips data collected from GPS-enabled taxis [23], this paper investigates the use of deep neural networks to jointly predict taxi trip time and distance. We propose a model, called ST-NN (Spatio-Temporal Neural Network), which first predicts the travel distance between an origin and a destination GPS coordinate, then combines this prediction with the time of day to predict the travel time. The beauty of ST-NN is that it uses only the raw trips data without requiring further feature engineering and provides a joint estimate of travel time and distance. We compare the performance of ST-NN to that of state-of-the-art travel time estimation methods, and we observe that the proposed approach generalizes better than state-of-the-art methods. We show that ST-NN approach significantly reduces the mean absolute error for both predicted travel time and distance, about 17% for travel time prediction. We also observe that the proposed approach is more robust to outliers present in the dataset by testing the performance of ST-NN on the datasets with and without outliers.

研究の動機と目的

• 都市部のタクシー/ライドヘイリングシステムにおける旅行時間と距離の正確な推定を動機づける。
• 大規模な NYC タクシーデータを活用し、回帰ベースで特徴量エンジニアリングを不要とするモデルを開発する。
• ST-NN の結合アーキテクチャがベースラインより旅行時間予測を改善することを示す。
• ST-NN のアウトライヤーに対する頑健性を示し、既存手法と比較する。

提案手法

• Origin と Destination を 2-D GPS ビンとして、時刻を 1-D 時間ビンとして表現する。
• Dist DNN と Time DNN モジュール（3層の MLP）を開発し、それぞれ距離と時間を予測する。
• これらのモジュールを統一された ST-NN に統合し、旅行時間と旅行距離の損失の和を同時に最小化する。
• NYC タクシー データセットを用いて80/20の訓練/テスト分割で確率的勾配降下法で学習する。
• 線形回帰ベースラインや単独の TimeNN/DistNN モジュール、さらには参照手法（BTE）と比較する。
• GPS 座標を離散セルにマッピングし、時刻を平日/週末ビンに分割する前処理を実行する。

実験結果

リサーチクエスチョン

• RQ1 ルート情報なしに、origin-destination の GPS 座標と時刻だけから旅行時間と距離を共同推定できるニューラルネットワークは存在するのか？
• RQ2 ジョイント学習（ST-NN）は、時間のみのモデルや線形ベースラインと比べて旅行時間予測を改善するか？
• RQ3 アウトライヤーの存在下や日中の異なる時間帯（平日 vs 週末）でモデルはどのように性能を示すか？
• RQ4 推定された旅行距離が都市部のタクシーデータにおける時間推定にどのように影響するか？

主な発見

• ST-NN は旅行時間推定において単純な線形回帰ベースラインを上回る。
• ST-NN の結合学習は NYC データ上で TimeNN より約 13 秒の Travel Time MAE の改善をもたらす。
• DistNN は旅行距離で単純な線形回帰を上回る; ST-NN は MAE が約 0.27（報告された単位）程度で距離性能がほぼトップで、R2 は ~0.943 程度。
• ST-NN はアウトライヤーに対して頑健性を示し、異常な乗車データを含むデータでベースライン手法と比較して優れた性能を維持する。
• マンハッタン限定のベンチマークと比較して、ST-NN は旅行時間 MAE を約 17% 削減する。