[論文レビュー] Deep convolutional generative adversarial networks for traffic data imputation encoding time series as images

Tongge Huang, Pranamesh Chakraborty+1 more|arXiv (Cornell University)|May 5, 2020

Traffic Prediction and Management Techniques参考文献 40被引用数 7

ひとこと要約

本稿では、時系列データの時間的依存関係を保持するため、交通時間系列をグラミアン・アンジュラー・サマーション・フィールド（GASF）画像に変換するTSDIGANという深層畳み込み生成対抗ネットワークフレームワークを提案する。この手法により、欠損した交通データの高精度な補完が可能となり、50%を超える欠損率であっても、最先端の手法を著しく上回る性能を示し、実世界の交通データ再構築における頑健性と効率性を実証した。

ABSTRACT

Sufficient high-quality traffic data are a crucial component of various Intelligent Transportation System (ITS) applications and research related to congestion prediction, speed prediction, incident detection, and other traffic operation tasks. Nonetheless, missing traffic data are a common issue in sensor data which is inevitable due to several reasons, such as malfunctioning, poor maintenance or calibration, and intermittent communications. Such missing data issues often make data analysis and decision-making complicated and challenging. In this study, we have developed a generative adversarial network (GAN) based traffic sensor data imputation framework (TSDIGAN) to efficiently reconstruct the missing data by generating realistic synthetic data. In recent years, GANs have shown impressive success in image data generation. However, generating traffic data by taking advantage of GAN based modeling is a challenging task, since traffic data have strong time dependency. To address this problem, we propose a novel time-dependent encoding method called the Gramian Angular Summation Field (GASF) that converts the problem of traffic time-series data generation into that of image generation. We have evaluated and tested our proposed model using the benchmark dataset provided by Caltrans Performance Management Systems (PeMS). This study shows that the proposed model can significantly improve the traffic data imputation accuracy in terms of Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE) compared to state-of-the-art models on the benchmark dataset. Further, the model achieves reasonably high accuracy in imputation tasks even under a very high missing data rate ($>$ 50\%), which shows the robustness and efficiency of the proposed model.

研究の動機と目的

• 欠損した交通センサー時系列データの課題に対処し、効果的な交通管理と分析を妨げる要因を解消すること。
• 従来の補完手法が交通時間系列に内在する複雑な空間時間的依存関係を捉えきれないという限界を克服すること。
• データ補完を合成データ生成問題として扱う深層学習ベースのフレームワークを構築すること。
• 特に信頼性の低いセンサーによるデータが得られる実世界の状況においても、高い欠損データ率下での補完精度を向上させること。
• 交通パターンの類似性に基づいてセンサーをクラスタリングすることで、共有モデル学習を実施し、効率的かつスケーラブルな展開を可能とすること。

提案手法

• 時間的相関を保持し、画像ベースのモデリングを可能とするために、生の交通時間系列をグラミアン・アンジュラー・サマーション・フィールド（GASF）画像に変換する。
• GASF符号化された画像を用いて、欠損値のための現実的な合成交通データを生成するため、深層畳み込み生成対抗ネットワーク（DCGAN）を学習する。
• 1日単位の交通パターンの類似性に基づいてk-meansクラスタリングを用いてセンサーをグループ化し、各クラスタごとに共有の生成モデルを学習する。
• 実際のGASF画像と生成された画像を区別するためのGANディスクライマーを用い、合成データの現実性と忠実度を向上させる。
• 再構成損失（MAE、RMSE）を最小化するように生成器を最適化するとともに、生成データが実際の交通ダイナミクスを反映していることを保証する。
• ペームズベンチマークデータセットを用いてモデルを評価し、欠損データ率（10%から90%まで）を変化させた状況下での性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 時間系列の依存関係が画像符号化によって保持された場合、GANベースのモデルが欠損した交通データを効果的に再構築できるか？
• RQ2 提案されたGASF符号化手法は、従来の時間系列モデリングと比較して、補完のための時間的パターンをどれほど効果的に保持できるか？
• RQ3 TSDIGANフレームワークの性能は、既存の補完モデルと比較して、高い欠損率（例：50%以上）下でどうなるか？
• RQ4 交通パターンの類似性に基づいてセンサーをクラスタリングすることで、性能を損なわず、モデルの効率性と一般化能力を向上させられるか？
• RQ5 ノイズが多い、またはゼロ流量のセンサーを含む、異なるデータ品質を持つセンサー間で、モデルの性能はどのように変化するか？

主な発見

• TSDIGANは、全欠損率において、すべてのベンチマークモデルと比較して顕著に低い平均絶対誤差（MAE）と平均二乗誤差（RMSE）を達成した。
• 30%の欠損率下で、中央値の相対誤差（MRE）は20.7%であった。これは、外れ値の影響で平均MREが35.5%に上昇する中でも、大多数のセンサーで良好な性能を示していることを示している。
• 欠損率が50%を超える状況でも、高い精度を維持した。これは、極端なデータ損失状況下でも頑健であることを示している。
• センサーのクラスタリングを活用することで、個々のセンサーごとのモデルを用意する必要が減り、学習およびデプロイの効率性が向上したが、高い性能は維持された。
• MAEおよびRMSEの両面で、SVR、HA、DSAE、およびGANベースの並列モデルを上回った。特に、高い欠損率下で顕著な改善が見られた。
• モデルの性能は、少数のノイズが多い、または低流量のセンサーの影響を強く受けることが判明した。今後の研究では、こうしたケースに対してセンサー固有のモデリングや、改善されたクラスタリング手法の導入を検討すべきである。