[論文レビュー] Deep Learning applied to Road Traffic Speed forecasting

Thomas Epelbaum, Fabrice Gamboa+2 more|arXiv (Cornell University)|Oct 2, 2017

Traffic Prediction and Management Techniques参考文献 31被引用数 9

ひとこと要約

この論文は、浮動車両データ（FCD）を用いた道路渋滞速度予測において、フィードフォワード（FNN）、畳み込み（CNN）、再帰的（LSTM）ニューラルネットワークを評価している。ディープラーニングの可能性にもかかわらず、研究では単純な物理モデルがすべてのディープラーニングアーキテクチャをRMSEにおいて上回り、この回帰タスクにおいて複雑なモデルの必要性を疑問視している。

ABSTRACT

In this paper, we propose deep learning architectures (FNN, CNN and LSTM) to forecast a regression model for time dependent data. These algorithm's are designed to handle Floating Car Data (FCD) historic speeds to predict road traffic data. For this we aggregate the speeds into the network inputs in an innovative way. We compare the RMSE thus obtained with the results of a simpler physical model, and show that the latter achieves better RMSE accuracy. We also propose a new indicator, which evaluates the algorithms improvement when compared to a benchmark prediction. We conclude by questioning the interest of using deep learning methods for this specific regression task.

研究の動機と目的

• ディープラーニングモデルが従来の物理モデルに比べて、道路渋滞速度予測の精度を向上させられるかどうかを調査すること。
• 空間時系列交通速度データに特化した、FNN、CNN、LSTMの専用ニューラルネットワークアーキテクチャを設計および実装すること。
• 時系列予測において標準的なRMSEを超えるモデルの性能を評価するための新しいQ²指標を導入すること。
• 入力集約戦略（全入力対削減入力）の違いが、モデルの性能に与える影響を評価すること。
• 結果を踏まえて、交通速度回帰タスクにおけるディープラーニングの複雑さの追加価値を疑問視すること。

提案手法

• FCD速度のための新規入力集約法を提案し、自由流れ速度を用いて正規化することで、異なるレーンセグメント間でのパターン検出を向上させた。
• 3つのディープラーニングアーキテクチャを採用：フィードフォワードニューラルネットワーク（FNN）、畳み込みニューラルネットワーク（CNN）、長短記憶（LSTM）RNN。それぞれ時系列構造に適合させた。
• ベンチマークとの相対的なモデル改善を評価するための新しいQ²指標を導入し、時系列予測評価におけるRMSEの補完的指標を提供した。
• FNNおよびCNNではバッチ正規化とReLU活性化関数を、LSTMではtanhおよびシグモイドゲートを用いてセル状態の制御を行った。
• 時系列依存性を捉えるために、T=20の時間的文脈を持つ2層のRNN-LSTMアーキテクチャを採用した。
• 回帰用に平均二乗誤差損失関数を採用し、RNN-LSTMフレームワークにおけるミニバッチ学習に適応した。

実験結果

リサーチクエスチョン

• RQ1 FNN、CNN、LSTMといったディープラーニングモデルは、FCDデータを用いた道路渋滞速度予測において、単純な物理モデルを上回ることができるか？
• RQ2 入力集約の設計（全入力対削減入力）は、ディープラーニングモデルの交通速度予測性能にどのように影響するか？
• RQ3 提案されたQ²指標は、ベースラインとの比較において、モデル改善の意味のある洞察をどの程度提供するか？
• RQ4 なぜこの特定の予測タスクにおいて、CNNアーキテクチャはFNNおよびLSTMに比べて著しく性能を発揮しないのか？
• RQ5 結果を踏まえると、この回帰タスクにおいてディープラーニングモデルの複雑さは正当化されるのか？

主な発見

• 既知の交通の季節的・時間的パターンを組み込んだ物理モデルが、テストされたすべてのディープラーニングモデルよりも低いRMSEを達成した。
• 畳み込みニューラルネットワーク（CNN）アーキテクチャは、FNNおよびLSTMに比べて著しく性能を発揮しなく、速度シーケンス内の時間的依存性を効果的にモデル化できないことが原因であると推測される。
• 提案されたQ²指標は、ベンチマークとの相対的なモデル改善を効果的に定量化でき、時系列予測評価におけるRMSEの補完的指標として機能した。
• FNNおよびLSTMモデルはCNNより優れた性能を示し、特にLSTMは交通速度データ内の長期的時間的依存性を効果的に捉えていた。
• 複雑なディープラーニングアーキテクチャを用いても、より単純な物理モデルが予測精度において優れていたため、この回帰タスクにおいてディープラーニングの必要性を疑問視する結果となった。
• 本研究は、特にディープネットワークのパラメータ数が多く、計算コストが高いため、良好に設計された物理モデルが利用可能な状況では、交通速度予測にディープラーニングが最適な選択肢でない可能性があると結論づけた。