[論文レビュー] DeepTravel: a Neural Network Based Travel Time Estimation Model with Auxiliary Supervision

Hanyuan Zhang, Hao Wu+2 more|arXiv (Cornell University)|Feb 6, 2018

Traffic Prediction and Management Techniques参考文献 13被引用数 23

ひとこと要約

DeepTravelは、GPSタイムスタンプ系列からの補助的監視を活用して経路の所要時間を推定する深層学習モデルであり、精度を向上させるために二重インターバル損失を採用している。実世界のデータセットにおいて最先端の手法を上回り、全特徴量統合時における上海データセットでは13.3%のMAPEを達成した。

ABSTRACT

Estimating the travel time of a path is of great importance to smart urban mobility. Existing approaches are either based on estimating the time cost of each road segment which are not able to capture many cross-segment complex factors, or designed heuristically in a non-learning-based way which fail to utilize the existing abundant temporal labels of the data, i.e., the time stamp of each trajectory point. In this paper, we leverage on new development of deep neural networks and propose a novel auxiliary supervision model, namely DeepTravel, that can automatically and effectively extract different features, as well as make full use of the temporal labels of the trajectory data. We have conducted comprehensive experiments on real datasets to demonstrate the out-performance of DeepTravel over existing approaches.

研究の動機と目的

• 個々のセグメントや部分パスに基づく所要時間推定手法の限界を解決し、経路レベルの動的要因をモデル化できず、時系列データを十分に活用できない点に起因する問題を解消する。
• 軌跡データに含まれる豊富な時系列ラベル（GPSタイムスタンプ）を活用して、モデルの汎化性能と精度を向上させる。
• 空間的・時系列的・運転行動の動的要因を包括的に捉えるエンドツーエンドで学習可能なモデルを構築する。
• 中間のGPSポイントからの補助的監視を可能にする、新しい二重インターバル損失関数を導入する。これにより勾配の流れと表現学習が向上する。

提案手法

• 空間埋め込み、時系列埋め込み、運転状態特徴、短期および長期の交通特徴を統合するカスタム特徴抽出モジュールを備えたBiLSTMベースのアーキテクチャを提案する。
• 前向きおよび後向きのインターバル予測をGPSタイムスタンプから得る二重インターバル損失関数を導入し、主な所要時間予測を補助的に指導する。
• 交通渋滞、交差点での遅延、ドライバー行動といった複雑な動的要因をモデル化するためのマルチレベル特徴抽出構造を採用する。
• 最終的な所要時間予測のためのメイン損失と、中間の時間インターバルのための補助損失を組み合わせて、エンドツーエンドでモデルを学習する。
• 外部の速度測定やヒューリスティックな部分パスマッチングに依存せずに、歴史的軌跡データからパターンを学習する。
• 補助的監視によるデータオーグメンテーションを適用し、トレーニング中の汎化性能と収束速度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 GPSタイムスタンプからの補助的監視は、深層学習モデルにおける所要時間推定の精度を向上させることができるか？
• RQ2 個々のセグメントではなく、全体の経路を一つの単位としてモデル化することで、予測性能にどのような影響を与えるか？
• RQ3 空間的、時系列的、運転状態、交通パターンといった異なる特徴タイプが、所要時間推定にどの程度寄与するか？
• RQ4 前向きおよび後向きの両方向のインターバル監視を併用することで、片方向の監視に比べて補完的利点が得られるか？
• RQ5 特にレアケースや異常事態において、さまざまな経路長や所要時間の条件下で、モデルの性能はどのように変動するか？

主な発見

• 全特徴量（ST+Traf+DS）を統合した場合、上海データセットにおいてDeepTravelはMAPEが13.30%に達し、ベースラインモデルを著しく上回った。
• 二重インターバル損失（BiLSTM dual_aux）を用いることで、上海データセットにおけるベースラインLSTM（補助監視なし）と比較してMAPEが12.7%低減した。
• 補助的監視を備えたモデルは、そうでないモデルと比較して収束が早く、汎化性能も優れており、時系列データのオーグメンテーションの有効性が裏付けられた。
• 短い経路（例：4km）で長時間の所要時間（35分）が発生するケースにおける性能低下は、トレーニングデータに十分に含まれない突然の渋滞や停止状態といったレアで異常な状況に起因するとされた。
• ほとんどの経路長や所要時間において一貫した性能（MAPE ≈ 0.13）を維持しており、極端なケースを除いてはわずかな劣化しか見られなかった。
• 二重インターバル損失は、前向きのみまたは後向きのみの補助監視を上回り、両方向から得られる信号が非冗長的かつ補完的であることを実証した。