[論文レビュー] DxNAT - Deep Neural Networks for Explaining Non-Recurring Traffic Congestion

Fangzhou Sun, Dubey Abhishek+1 more|arXiv (Cornell University)|Jan 30, 2018

Traffic Prediction and Management Techniques被引用数 3

ひとこと要約

本稿では、地域交通速度データをスケーリングされた画像に変換し、時間的およびイベント関連データと統合することで、サッカー試合、ホッケーゲーム、事故などのイベントによって引き起こされる一時的でない交通渋滞（NRC）を検出する深層学習モデルDxNATを提案する。独自のクロスオーバーに基づくデータ拡張技術と畳み込みニューラルネットワーク（CNN）を用いることで、DxNATはサッカー試合に起因するNRCの識別において98.73%の正確性を達成し、ランダムフォレストなどの従来手法を上回る性能を示した。

ABSTRACT

Non-recurring traffic congestion is caused by temporary disruptions, such as accidents, sports games, adverse weather, etc. We use data related to real-time traffic speed, jam factors (a traffic congestion indicator), and events collected over a year from Nashville, TN to train a multi-layered deep neural network. The traffic dataset contains over 900 million data records. The network is thereafter used to classify the real-time data and identify anomalous operations. Compared with traditional approaches of using statistical or machine learning techniques, our model reaches an accuracy of 98.73 percent when identifying traffic congestion caused by football games. Our approach first encodes the traffic across a region as a scaled image. After that the image data from different timestamps is fused with event- and time-related data. Then a crossover operator is used as a data augmentation method to generate training datasets with more balanced classes. Finally, we use the receiver operating characteristic (ROC) analysis to tune the sensitivity of the classifier. We present the analysis of the training time and the inference time separately.

研究の動機と目的

• リアルタイムの交通データとイベントデータを用いて、大都市における一時的でない交通渋滞（NRC）を検出する課題に対処すること。
• 特徴ベクトルを用いる従来手法が空間的情報を失う問題と、学習データにおけるクラスの不均衡問題を克服すること。
• サッカー試合や交通事故などの多様なイベントによって引き起こされるNRCを同定できる深層学習モデルを開発すること。
• ランダムフォレストなどのベースラインモデルと比較して、検出正確性を向上させ、誤検出および見逃し率を低減すること。

提案手法

• TMC形式の交通データを、道路セグメント間の空間的関係を保持する多次元画像に変換する。
• 時間的特徴（時刻、曜日）とイベントデータを画像表現と統合し、マルチモーダルな入力を構築する。
• 未十分に表現されたクラス（例：ホッケーゲーム、事故）のバランスを取るために、合成トレーニングサンプルを生成するためのクロスオーバー演算子を設計する。
• 畳み込みニューラルネットワーク（CNN）を訓練し、交通パターンを通常または異常と分類する。異常検出はイベントに起因する渋滞に焦点を当てる。
• 最適な性能を達成するための分類器の感度チューニングに、受信者操作特性（ROC）分析を用いる。
• ナッシュビル、テネシー州の実世界データを用いて、サッカー試合、ホッケーゲーム、交通事故の3つのシナリオでモデルを評価する。

実験結果

リサーチクエスチョン

• RQ1 空間的に符号化された交通データを用いて、サッカー試合のような大規模イベントに起因する一時的でない交通渋滞を、深層ニューラルネットワークが効果的に検出できるか。
• RQ2 独自のクロスオーバーに基づくデータ拡張技術は、交通イベントの不均衡なデータセットにおけるモデル性能向上にどの程度効果的か。
• RQ3 画像に変換された交通データで訓練されたCNNモデルは、ランダムフォレストなどの従来モデルと比較して、イベントに起因する渋滞の検出においてどの程度優れているか。
• RQ4 影響度の異なるイベント（例：サッカー対ホッケー）に対して、モデルの性能はどの程度変動するか。
• RQ5 限られたトレーニングデータがあるにもかかわらず、交通事故のようなレアイベントの渋滞を検出できるか、モデルの汎化能力はどの程度か。

主な発見

• DxNATは、サッカー試合に起因する一時的でない渋滞の検出において98.73%の正確性を達成し、ランダムフォレストベースライン（84.06%の正確性）を顕著に上回った。
• 観客数が少なく影響度も小さいホッケーゲームでは、DxNATは90.76%の正確性を達成したが、より微妙な渋滞パターンのため、誤検出率（23.19%）が高かった。
• 交通事故に起因する渋滞の検出では、DxNATは86.59%の正確性を達成し、誤検出率13.71%、誤見逃し率4.44%を示した。
• すべてのシナリオにおいて、DxNATの性能はランダムフォレストモデルを上回り、誤検出および誤見逃し率が低かった。
• 画像ベースの表現とクロスオーバーに基づくデータ拡張の導入により、モデルのロバスト性とクラスバランスの取り扱いが著しく向上した。
• トレーニング時間と推論時間は別々に測定され、スマートシティアプリケーションにおけるリアルタイム導入の可能性を示した。