[論文レビュー] Data-Driven Models for Traffic Flow at Junctions

Michaël Herty, Niklas Kolbe|arXiv (Cornell University)|Jan 1, 2022

Traffic Prediction and Management Techniques被引用数 1

ひとこと要約

本論文は、人工ニューラルネットワークとパラメータ化されたリーマン解法を統合することで、道路交差点におけるマクロスコピック交通流モデルの正確で一貫性のある結合条件を導出するデータ駆動型機械学習フレームワークを提案する。実際の車両トレースデータを用いた学習により、従来の流量最大化ルールが捉えきれない、混雑や優先順位付けの効果を含む現実的な交通ダイナミクスを予測する点で、従来手法を上回る性能を発揮する。

ABSTRACT

The simulation of traffic flow on networks requires knowledge on the behavior across traffic intersections. For macroscopic models based on hyperbolic conservation laws there exist nowadays many ad-hoc models describing this behavior. Based on real-world car trajectory data we propose a new class of data-driven models with the requirements of being consistent to networked hyperbolic traffic flow models. To this end the new models combine artificial neural networks with a parametrization of the solution space to the half-Riemann problem at the junction. A method for deriving density and flux corresponding to the traffic close to the junction for data-driven models is presented. The models parameter are fitted to obtain suitable boundary conditions for macroscopic first and second-order traffic flow models. The prediction of various models are compared considering also existing coupling rules at the junction. Numerical results imposing the data-fitted coupling models on a traffic network are presented exhibiting accurate predictions of the new models.

研究の動機と目的

• 道路ネットワークにおけるマクロスコピック交通流モデルのデータ整合性のある結合条件を開発すること。
• 特に交差点において、実世界のトレースデータに対するマクロスコピックモデルの検証が不足している問題を解決すること。
• 混雑の伝播やランプ優先順位付けといった複雑な交通現象を捉えきれない、従来の流量最大化に基づく古典的結合ルールの改善に向けた取り組み。
• 双曲型保存則とネットワーク化された偏微分方程式系と数学的に整合性を持つ機械学習モデルを統合するフレームワークを提供すること。
• 実際のオンランプ交差点からのトレースデータを用いて、長期シミュレーションとスループット比較を通じて、提案モデルの妥当性を検証すること。

提案手法

• 高速道路のオンランプから得た車両トレースデータを用い、制御体積追跡によりマクロスコピック密度とフラックスを導出する。
• 時間遅延補正を用いたキルホフの法則に基づく補正を施してデータを正規化し、相互作用の同期と日周期的変動を補正する。
• 正規化されたデータから、道路固有の基本図（速度対密度）を推定する。
• 交差点における半リーマン問題のパラメータ化された解空間と人工ニューラルネットワークを組み合わせた、新規な機械学習モデルの提案。
• マクロスコピックPDEモデルと整合性を保つために、進化計算と確率的勾配降下法を用いてモデルパラメータを学習する。
• ネットワークダイナミクスをシミュレートし、異なるモデル間の予測を比較するために、有限体積法を実装する。

実験結果

リサーチクエスチョン

• RQ1 実際のトレースデータを学習データとして用いた機械学習モデルは、古典的手法の流量最大化ルールに比べ、交通交差点における結合条件の予測精度と現実性を高めることができるか？
• RQ2 データ駆動型モデルを、双曲型保存則とネットワーク化された偏微分方程式系と数学的に整合性を持たせるにはどうすればよいか？
• RQ3 データ駆動型結合モデルは、学習データに存在しない現象（混雑やランプ優先順位付け）をどの程度正しく予測できるか？
• RQ4 モデルの深さ（層数）が、ネットワークシミュレーションにおける交通流予測の現実性と精度にどのように影響するか？
• RQ5 データ適合型基本図とデータ駆動型結合ルールを、一貫性のあるマクロスコピックモデリングフレームワークに統合する統一された枠組みを構築できるか？

主な発見

• データ駆動型機械学習モデルは、特に複雑な交通ダイナミクスを捉える点で、訓練データおよびテストデータの両方に対して、古典的手法の結合ルールよりも良好なフィットを達成した。
• 1層のニューラルネットワークモデルは、完全な交差点の閉鎖といった非現実的な結果を示した。これは、より深いアーキテクチャの必要性を示している。
• 4層のニューラルネットワークモデルは、スループット予測テストにおいて、最良の古典的手法と同等の境界フラックス予測を達成した。
• 訓練データが乏しい混雑予測シナリオでは、データ駆動型モデルはオンランプ車両の強い優先順位付けを正しく予測したが、古典的手法はこのような行動を反映できなかった。
• 提案されたフレームワークは、キルホフの法則に基づく時間遅延補正を用いて、トレースデータの正規化に成功し、マクロスコピックな流れの法則との整合性が向上した。
• 学習済みの結合条件を有限体積法と統合することで、安定的かつ現実的なネットワークレベルの交通ダイナミクスが得られ、実世界応用への有効性が検証された。