[論文レビュー] Dimension Reduction for Origin-Destination Flow Estimation: Blind Estimation Made Possible

Jingyuan Xia, Wei Dai+2 more|arXiv (Cornell University)|Oct 14, 2018

Economic and Environmental Valuation参考文献 17被引用数 3

ひとこと要約

本稿では、出発地（O）からの流れ（O-フロー）に基づいてフローをモデル化することで、出発地-到着地（OD）フロー推定のための新しい次元削減手法を提案する。これにより、逆問題の複雑さをO(n²)からO(n)に低減する。ガウス＝ザイデル法と必要な一意性条件を用いることで、双方向ネットワークにおいては、事前情報がなくとも真のODフローを正確に回復できるブラインド推定が可能となり、シミュレーションでは平均相対誤差が0.1%未満に抑えられる。

ABSTRACT

This paper studies the problem of estimating origin-destination (OD) flows from link flows. As the number of link flows is typically much less than that of OD flows, the inverse problem is severely ill-posed and hence prior information is required to recover the ground truth. The basic approach in the literature relies on a forward model where the so called traffic assignment matrix maps OD flows to link flows. Due to the ill-posedness of the problem, prior information on the assignment matrix and OD flows are typically needed. The main contributions of this paper include a dimension reduction of the inquired flows from $O(n^2)$ to $O(n)$, and a demonstration that for the first time the ground truth OD flows can be uniquely identified with no or little prior information. To cope with the ill-posedness due to the large number of unknowns, a new forward model is developed which does not involve OD flows directly but is built upon the flows characterized only by their origins, henceforth referred as O-flows. The new model preserves all the OD information and more importantly reduces the dimension of the inverse problem substantially. A Gauss-Seidel method is deployed to solve the inverse problem, and a necessary condition for the uniqueness of the solution is proved. Simulations demonstrate that blind estimation where no prior information is available is possible for some network settings. Some challenging network settings are identified and discussed, where a remedy based on temporal patterns of the O-flows is developed and numerically shown effective.

研究の動機と目的

• リンクフローの数がODペアの数より少ないため、ODフロー推定が不適切に定義され、一意でない解が得られるという問題に対処する。
• 従来のOD推定手法が、履歴データや割り当て行列などの事前情報に依存しているのを克服する。
• 逆問題の再定式化により、事前知識がなくとも（または最小限にとどめても）真のODフローを回復できるブラインド推定を実現する。
• 特に双方向ネットワークにおいては、特定のネットワークトポロジーのもとでODフローの一意的回復が可能であることを示す。
• 未知数の数を大幅に削減しながらもOD情報全体を保持するスケーラブルなフレームワークの構築

提案手法

• 各ノードからの出発フロー（O-フロー）に基づく新しいフォワードモデルを導入し、直接的なODフローのモデル化を置き換える。
• O-フローからリンクフローへの線形写像を構築することで、ODフロー情報の完全保持を維持しながら、未知数の数をO(n²)からO(n)に削減する。
• 観測されたリンクフローからO-フローを求めるために、ガウス＝ザイデル反復法を用いた逆問題の定式化を行う。
• 解の一意性のための必要条件を導出し、このモデル下で双方向ネットワークでは一意的回復が可能であることを示す。
• 一意性が保証されない単方向ネットワークでは、変換領域のスパarsity（例：ウェーブレットまたはフーリエ変換）を正則化戦略として組み込む。
• 最適化フレームワーク（式4.11）を用い、推定されたリンクフローと観測されたリンクフローの誤差を最小化する。収束は目的関数の改善度で監視する。

実験結果

リサーチクエスチョン

• RQ1 割り当て行列やODフローのパターンに関する事前情報が全くない状況でも、ODフロー推定が可能か？
• RQ2 ODフロー推定問題の次元をO(n²)からO(n)に削減しながら、完全な情報を保持できるか？
• RQ3 どのようなネットワーク構造のもとで、事前知識がなくとも真のODフローを一意に特定できるか？
• RQ4 提案されたO-フローモデルは、現実のネットワークトポロジー、特に単方向ネットワークに対しても効果的か？
• RQ5 一意性が保証されないネットワークにおいて、変換領域のスパarsityは推定精度を向上させるか？

主な発見

• 双方向ネットワーク（3×3、8×8、およびGÉANT）において、提案手法は平均相対誤差が0.1%未満に抑えられ、それぞれ95%以上のODフローが±0.72%、±1.14%、±0.48%の誤差範囲内に収束する。
• 3×3の双方向ネットワークでは、95%以上の推定ODフローが-0.66%から0.72%の相対誤差の範囲内にあり、事前情報なしで高い精度を達成している。
• 提案されたO-フローモデルのもとで、特に一意性条件を満たす双方向ネットワークにおいて、ブラインド推定（真のODフローの一意的回復）が可能である。
• 一意性が保証されない単方向ネットワークでは、変換領域のスパarsityを適用することで、平均相対誤差を53%から3%に低減し、95%の推定値が[-13%, 7%]の範囲内に収束する。
• 単方向ネットワークではガウス＝ザイデル法の収束が遅く、終了後も目的関数が継続して減少し続けるため、解は局所的最小値ではないと示唆される。
• 本フレームワークは、双方向および単方向のグリッドネットワークとGÉANTバックボーンネットワークを含む合成ネットワークでも検証され、多様なトポロジーにわたり高いロバスト性を示した。