[論文レビュー] Decentralized Data Fusion and Active Sensing with Mobile Sensors for Modeling and Predicting Spatiotemporal Traffic Phenomena

Jie Chen, Kian Hsiang Low+5 more|arXiv (Cornell University)|Jun 27, 2012

Gaussian Processes and Bayesian Inference参考文献 38被引用数 54

ひとこと要約

本稿では、ガウス過程モデルを用いて時空間的交通現象をスケーラブルかつリアルタイムに予測可能な、分散型データ統合およびアクティブセンシングアルゴリズムD2FASを提案する。モバイルセンサー間で計算と調整を分散させることで、D2FASは集中型スパースGP手法と同等の予測性能を達成しながら、最大3桁の高速化を実現し、センサー数や観測数の増加に伴い効率的にスケーリングする。

ABSTRACT

The problem of modeling and predicting spatiotemporal traffic phenomena over an urban road network is important to many traffic applications such as detecting and forecasting congestion hotspots. This paper presents a decentralized data fusion and active sensing (D2FAS) algorithm for mobile sensors to actively explore the road network to gather and assimilate the most informative data for predicting the traffic phenomenon. We analyze the time and communication complexity of D2FAS and demonstrate that it can scale well with a large number of observations and sensors. We provide a theoretical guarantee on its predictive performance to be equivalent to that of a sophisticated centralized sparse approximation for the Gaussian process (GP) model: The computation of such a sparse approximate GP model can thus be parallelized and distributed among the mobile sensors (in a Google-like MapReduce paradigm), thereby achieving efficient and scalable prediction. We also theoretically guarantee its active sensing performance that improves under various practical environmental conditions. Empirical evaluation on real-world urban road network data shows that our D2FAS algorithm is significantly more time-efficient and scalable than state-of-the-art centralized algorithms while achieving comparable predictive performance.

研究の動機と目的

• 都市の道路網全体で高密度かつリアルタイムの交通データを捉えることが難しい静的で受動的なセンサーの限界を克服すること。
• モバイルセンサーがアクティブに探索を行い、正確な時空間的予測に最も情報をもたらす交通観測を収集できる分散型フレームワークを開発すること。
• 中央集権的な調整に依存せずに、スケーラブルかつ効率的なデータ統合とアクティブセンシングを実現し、大規模な展開においてもリアルタイム性能を確保すること。
• 理論的に、集中型スパースGPモデルと同等の予測性能を保証するとともに、計算および通信のオーバーヘッドを低減すること。

提案手法

• D2FASアルゴリズムは、各モバイルセンサーが予測エントロピーの低減を最大化するように次なる経路を選択する分散型アクティブセンシング戦略を採用し、ガウス過程（GP）事前分布を用いてモデル化する。
• 計算コストを低減するためのGPのスパース近似を採用し、マップリダクスに類似したパラダイムでセンサー間で並列かつ分散処理を可能にする。
• 探索の不確実性領域と通信効率のバランスを取るために、分散型の調整グラフを用いてセンサーの移動を調整する。
• 最大エントロピーの共同ウォーク戦略を用いてセンサーの経路をガイドし、高不確実性領域を広くカバーするとともに、重複観測を最小限に抑える。
• 通信効率の良いデータ統合プロトコルを採用し、センサー間で必要な情報のみを交換することで帯域幅を削減する。
• 理論的分析により、D2FASが集中型スパースGPモデルと同等の予測性能を達成することが証明されており、時間的および通信的複雑度がセンサー数および観測数に対して部分線形にスケーリングする。

実験結果

リサーチクエスチョン

• RQ1 モバイルセンサーを用いた分散型アクティブセンシング戦略は、時空間的交通予測において、集中型の最先端手法と同等の予測性能を達成できるか？
• RQ2 センサー数および観測数の増加に伴い、D2FASアルゴリズムの時間効率および通信コストはどのようにスケーリングするか？
• RQ3 スパースGP近似を用いた分散型データ統合は、計算負荷を低減しながらも、予測精度をどの程度維持できるか？
• RQ4 最大エントロピーの共同ウォーク戦略は、短視眼的またはランダムな経路選択に比べて、探索効率をどの程度向上させるか？
• RQ5 限られたセンサー通信範囲や変動するデータの疎らさといった実用的制約下でも、分散型フレームワークは高い予測精度を維持できるか？

主な発見

• D2FASは、分散処理および通信に依存するにもかかわらず、集中型スパースGPモデルおよびFGPやSoDといった最先端手法と同等の予測性能を達成する。
• 30台のセンサーを用いた場合、D2FASは長距離ウォーク（L=8）を用いた集中型アクティブセンシングに加えてSoDを組み合わせた手法と比較して、3桁以上も高速である。平均実行時間は約60秒であるのに対し、それより長く732秒以上を要する。
• 2台のセンサーを用いた場合でも、D2FASはFGPやSoDよりも顕著に時間効率が高く、特にウォーク長が延びるにつれてその差が顕著になる。これは、効率的な分散型調整に起因する。
• FGPやSoDとは対照的に、D2FASの分散型データ統合部は、センサー数が増加する（K ≥ 10）につれて高速化する。これは、データ量および冗長性の増加に伴う統合時間の増加とは逆に、効率的な分散処理によるものである。
• D2FASは、時間的および通信的複雑度において部分線形にスケーリングする。これにより、数百台のモバイルセンサーと数千件の観測を用いた持続的な大規模交通モデリングが可能になる。
• 理論的保証により、D2FASの予測性能が集中型スパースGP近似と同等であることが確認され、分散運用下でも堅牢性と正確性を確保している。