[論文レビュー] Deep Learning to Scale up Time Series Traffic Prediction

Julien Monteil, Anton Dekusar+3 more|arXiv (Cornell University)|Jan 1, 2019

Traffic Prediction and Management Techniques被引用数 2

ひとこと要約

本稿では、ロサンゼルスの1,098か所の区間で14週間分の15分間隔の速度データを用いて、短期交通予測手法を長期的・都市規模にスケーリングするためのディープラーニング時空間モデルを提案する。時空間特徴量を組み込むことで長期予測の精度が向上することを示し、一方で単純なモデルは短期的・リンクレベルの予測には依然として有効である。これは、精度、予測範囲、学習時間、モデルサイズの間でトレードオフが生じることを示している。

ABSTRACT

The transport literature is dense regarding short-term traffic predictions, up to the scale of 1 hour, yet less dense for long-term traffic predictions. The transport literature is also sparse when it comes to city-scale traffic predictions, mainly because of low data availability. The main question we try to answer in this work is to which extent the approaches used for short-term prediction at a link level can be scaled up for long-term prediction at a city scale. We investigate a city-scale traffic dataset with 14 weeks of speed observations collected every 15 minutes over 1098 segments in the hypercenter of Los Angeles, California. We look at a variety of state-of-the-art machine learning and deep learning predictors for link-based predictions, and investigate ways to make such predictors scale up for larger areas, with brute force, clustering, and model design approaches. In particular we propose a novel deep learning spatio-temporal predictor inspired from recent works on recommender systems. We discuss the potential of including spatio-temporal features into the predictors, and conclude that modelling such features can be helpful for long-term predictions, while simpler predictors achieve very satisfactory performance for link-based and short-term forecasting. The trade-off is discussed not only in terms of prediction accuracy vs prediction horizon but also in terms of training time and model sizing.

研究の動機と目的

• 短期的・リンクレベルの交通予測手法が、長期的・都市規模の予測にどの程度スケーラブルかを調査すること。
• 大規模な都市交通データセット上で、最先端の機械学習およびディープラーニングモデルの性能を評価すること。
• 都市規模での展開に向けたスケーリング戦略として、ブルートフォース、クラスタリング、モデル設計の3つを検討すること。
• 時空間特徴工学が長期予測精度に与える影響を評価すること。
• 予測精度、予測範囲、学習時間、モデル複雑度の間のトレードオフを分析すること。

提案手法

• 本研究では、ロサンゼルスのダウンタウン地域の1,098か所の道路区間で14週間分の15分間隔の速度観測データを含む都市規模の交通データセットを用いる。
• リンクベースの予測に適した、最先端の機械学習およびディープラーニング予測器を複数評価する。
• 時空間的依存関係をモデル化するため、最近のレコメンデーションシステムの進展にインspiredされた、新しいディープラーニング時空間予測器を提案する。
• 交通ダイナミクスの長期的パターンを捉えるために、明示的な時空間特徴量を導入する。
• スケーラビリティを向上させるための3つのスケーリング戦略を適用する：全都市規模へのブルートフォース適用、ネットワークのクラスタリングに基づく分割、アーキテクチャの変更。
• 予測範囲ごとにモデルの性能を評価し、精度、学習時間、モデルサイズの指標を比較する。

実験結果

リサーチクエスチョン

• RQ1 短期的・リンクレベルの交通予測モデルは、どの程度長期的・都市規模の予測にスケーリング可能か？
• RQ2 時空間特徴量は、長期交通予測精度の向上にどの程度有効か？
• RQ3 ブルートフォース、クラスタリング、モデル設計のうち、どのスケーリングアプローチが、精度と効率のバランスにおいて最良か？
• RQ4 異なる予測範囲において、単純なモデルとディープラーニングモデルの性能はどのように比較されるか？
• RQ5 大規模交通予測において、予測精度、学習時間、モデルサイズの間にはどのようなトレードオフが生じるか？

主な発見

• 時空間特徴量を組み込むことで、長期予測の精度が顕著に向上することが示され、これは複雑な交通ダイナミクスを長期にわたり捉える上でその重要性を示している。
• 単純なモデルは短期的・リンクレベルの予測において非常に満足のいく性能を達成しており、このようなタスクには十分である可能性がある。
• 提案されたディープラーニング時空間モデルは、特に時空間特徴量を組み込んだ場合、ベースラインモデルを上回る性能を示した。
• 全都市規模へのブルートフォース適用は計算的に非現実的であることが判明し、効率的なスケーリング戦略の必要性が強調された。
• 予測精度と計算コストの間にはトレードオフが存在し、より深いモデルは長時間の学習と大きなモデルサイズを犠牲にすることで高い精度を達成する。
• クラスタリングベースのアプローチとアーキテクチャの変更は、ブルートフォーススケーリングの代替として実用的であり、性能と効率のバランスを取れる。