[論文レビュー] Arriving on time: estimating travel time distributions on large-scale road networks

Timothy Hunter, Aude Hofleitner+6 more|arXiv (Cornell University)|Feb 26, 2013

Traffic Prediction and Management Techniques被引用数 23

ひとこと要約

本稿では、プローブ車両のGPSデータを用いて、大規模な道路網における完全な移動時間分布を推定するスケーラブルでデータ駆動型のフレームワークを提案する。ストップ＆ジョー・フィルタ、停止行動の相関をモデル化するマルコフモデル、移動時間の相関をモデル化するガウス・マルコフ・ランダムフィールド（GMRF）を組み合わせることで、サンフランシスコ・ベイエリアのような都市ネットワークにおいて、線形スケーラビリティと高い精度を実現したリアルタイムでの経路移動時間分布推定を可能にする。

ABSTRACT

Most optimal routing problems focus on minimizing travel time or distance traveled. Oftentimes, a more useful objective is to maximize the probability of on-time arrival, which requires statistical distributions of travel times, rather than just mean values. We propose a method to estimate travel time distributions on large-scale road networks, using probe vehicle data collected from GPS. We present a framework that works with large input of data, and scales linearly with the size of the network. Leveraging the planar topology of the graph, the method computes efficiently the time correlations between neighboring streets. First, raw probe vehicle traces are compressed into pairs of travel times and number of stops for each traversed road segment using a `stop-and-go' algorithm developed for this work. The compressed data is then used as input for training a path travel time model, which couples a Markov model along with a Gaussian Markov random field. Finally, scalable inference algorithms are developed for obtaining path travel time distributions from the composite MM-GMRF model. We illustrate the accuracy and scalability of our model on a 505,000 road link network spanning the San Francisco Bay Area.

研究の動機と目的

• 幹線道路網における統計的移動時間分布推定の欠如に取り組むこと。特に、到着時刻保証ルーティングを対象とする。
• 実際のプローブ車両データを用いて、大都市の道路網（例：505,000リンク）で動作するスケーラブルな手法を開発すること。
• 信号や混雑による移動時間のばらつきを、停止パターンと空間的・時間的相関を捉えることでモデル化すること。
• 経路移動時間分布のリアルタイム推定を可能にし、1秒未塔の応答時間を達成すること。
• 計算的に高負荷な物理モデルと粗い大規模データ駆動型手法の間のギャップを埋めること。

提案手法

• ストップ＆ジョー・フィルタが、生のGPSトレースを処理し、各道路セグメントごとの移動時間と停止回数を抽出することで、スケーラビリティを確保するデータの圧縮を実現する。
• マルコフモデルが、連続する道路リンク間の停止行動の空間的相関を捉え、直前のリンクの行動に基づく停止確率をモデル化する。
• ガウス・マルコフ・ランダムフィールド（GMRF）が、隣接するリンク間の移動時間の空間的・時間的相関を、ネットワークのトポロジーを活用してモデル化する。
• 統合されたMM-GMRFモデルが、停止パターンと移動時間の相関を統合し、経路全体の移動時間分布を推定する。
• ギブスサンプリングを用いたスケーラブルな推論により、長距離の経路に対しても、近似的な分布が効率的に計算可能である。
• 学習パイプラインはネットワークサイズに比例してスケーリングされ、特にスパースな地理的構造に最適化されたGMRF学習が、学習の大部分を占める。

実験結果

リサーチクエスチョン

• RQ1 スケーラブルなモデルは、プローブ車両データを用いて、大規模な都市道路網における完全な移動時間分布を推定できるか？
• RQ2 物理的知見（例：停止行動）と統計的学習を統合したハイブリッドモデルは、移動時間のばらつきをどの程度うまく捉えることができるか？
• RQ3 停止パターンと移動時間の相関が、到着時刻確率推定の精度をどの程度向上させるか？
• RQ4 ネットワークサイズの増加に伴い、モデルはどの程度スケーリングできるか。また、リアルタイム推定をサポートできるか？
• RQ5 モデルの予測は、実測値と比較して、パーセンタイルの適合度と分布の形状の両面でどの程度良好か？

主な発見

• マルチバリアントモデルが、一様分布モデルと比較して、低パーセンタイルと高パーセンタイルの両方をよりよく捉えていることが、p-pプロットから明らかになった。
• マルチモーダルモデルの使用により、一様分布モデルでは物理的に不自然なほど低速な移動時間の過大評価が顕著に減少した。
• サンプリング回数が増えるにつれて、近似分布と正確な分布とのKLダイバージェンスが急速に低下し、100 log(I)個のサンプルでも、長さIの経路に対して良好な近似が得られることを示した。
• GMRFの学習時間はリンク数に比例して線形に増加し、最大のネットワークでは平均頂点次数が9.46であった。これにより、強力なスケーラビリティが裏付けられた。
• 本手法により、経路移動時間分布の推定が1秒未塔で実現可能となり、リアルタイムでの到着時刻保証ルーティングを支援できるようになった。
• 信号やドライバー行動に起因する移動時間のマルチモーダル性を捉える点で、本モデルは一様分布ベースラインを上回った。