[論文レビュー] Dynamic Origin-Destination Matrix Prediction with Line Graph Neural Networks and Kalman Filter

Xi Xiong, Kaan Özbay+2 more|arXiv (Cornell University)|May 1, 2019

Traffic Prediction and Management Techniques参考文献 30被引用数 8

ひとこと要約

本稿では、交通網におけるリンクフロー情報を用いて動的発着（O-D）行列を予測するため、融合ライングラフ畳み込みネットワーク（FL-GCN）とカルマンフィルタを組み合わせたハイブリッドフレームワークを提案する。空間的トポロジーをライングラフを介して活用し、ディープラーニングと確率的フィルタリングを統合することで、特にニューラルネットワーク重みの混合比が0.8の際に優れた精度を達成し、実世界のニュージャージー・ターミナル・パークウェイのデータにおいて、より高いロバスト性と性能を示す。

ABSTRACT

Modern intelligent transportation systems provide data that allow real-time dynamic demand prediction, which is essential for planning and operations. The main challenge of prediction of dynamic Origin-Destination (O-D) demand matrices is that demands cannot be directly measured by traffic sensors; instead, they have to be inferred from aggregate traffic flow data on traffic links. Specifically, spatial correlation, congestion and time dependent factors need to be considered in general transportation networks. In this paper we propose a novel O-D prediction framework combining heterogeneous prediction in graph neural networks and Kalman filter to recognize spatial and temporal patterns simultaneously. The underlying road network topology is converted into a corresponding line graph in the newly designed Fusion Line Graph Convolutional Networks (FL-GCNs), which provide a general framework of predicting spatial-temporal O-D flows from link information. Data from New Jersey Turnpike network are used to evaluate the proposed model. The results show that our proposed approach yields the best performance under various prediction scenarios. In addition, the advantage of combining deep neural networks and Kalman filter is demonstrated.

研究の動機と目的

• 直接測定が不可能な交通網における動的O-D需要行列の予測という課題に対処すること。
• 重力モデルやGLSのような従来のモデルの限界を克服し、リアルタイムのリンクフロー情報から空間的・時間的相関を統合すること。
• グラフニューラルネットワークとカルマンフィルタを活用した、統合的でディープラーニングとフィルタリングの両方を組み合わせたフレームワークを構築すること。
• O-Dペアとリンクフロー間の空間的・時間的依存関係をモデル化するための、新しいライングラフベースのアーキテクチャ（FL-GCN）を設計すること。
• ニュージャージー・ターミナル・パークウェイ網の実世界データを用いて、モデルの有効性と解釈可能性を検証すること。

提案手法

• 道路網のトポロジーをライングラフに変換し、リンクをノードとして、隣接関係をエッジとして表現することで、空間的パターンの学習を可能にする。
• リンクレベルのグラフ畳み込みとノードレベルのグラフ畳み込みの2つの畳み込みブランチを備えた、融合ライングラフ畳み込みネットワーク（FL-GCN）を設計する。
• 時間的ダイナミクスと不確実性をモデル化するため、カルマンフィルタを統合し、歴史的O-Dフローを状態の事前分布とし、リンクフローを観測値とする。
• FL-GCNとカルマンフィルタの予測結果を、学習可能な混合パラメータを用いて融合し、異種の出力をバランスさせ、予測誤差を最小化する。
• 平均絶対誤差（MAE）、平均二乗誤差（RMSE）、相対的平均二乗誤差（RMSN）を損失関数として用い、モデルをエンドツーエンドで最適化する。
• FL-GCNの収束した重みを可視化し、歴史的O-Dフローとリンクフロー入力が予測に与える相対的影響を解釈する。

実験結果

リサーチクエスチョン

• RQ1 グラフニューラルネットワークとカルマンフィルタを統合したハイブリッドモデルは、単独の手法と比較して、動的O-D行列予測の精度を向上させることができるか？
• RQ2 ライングラフを介して表現されるネットワークトポロジー上の空間相関は、O-Dフロー予測にどのように寄与するか？
• RQ3 予測誤差の観点から、ディープラーニングベースの予測（FL-GCN）と確率的フィルタリング（カルマンフィルタ）の最適なバランスはどのようになるか？
• RQ4 学習されたモデル重みが示すところによると、歴史的O-Dフローとリアルタイムのリンクフローは、最終予測にどの程度寄与しているか？
• RQ5 実際の交通状況下で、予測ホライズン（1ステップ、2ステップ、3ステップ予測）が変化する際に、モデルの性能はどのように変化するか？

主な発見

• ハイブリッドなFL-GCNとカルマンフィルタモデルは、1ステップ予測ホライズンにおいて、最小のMAE（3.304）、RMSE（6.057）、RMSN（0.536）を達成し、両方の個別コンponentを上回る性能を示した。
• ディープニューラルネットワークコンponentの混合比が0.8の際に、予測誤差（MAE、RMSE、RMSN）が最小化され、両モデルの最適な統合が実現していることが示された。
• カルマンフィルタは、特に長期予測においてディープラーニング単体で性能を発揮できない状況で、FL-GCNによる外れ値予測を是正することで、ロバスト性を向上させた。
• 可視化された重みから、歴史的O-Dフローがリンクフロー入力よりも強く影響を与えている（大きさが大きく、対角パターンを示す）ことが明らかになった。これは、予測において歴史的O-Dフローが主導的役割を果たしていることを示している。
• 本モデルは、1ステップ、2ステップ、3ステップの全予測ステップにおいて一貫した優位性を示し、混合FL-GCNモデルが全体として最良の性能を発揮した。
• 結果から、ディープラーニングとカルマンフィルタの統合により、実際の高速道路網における動的O-D需要予測の精度と安定性が向上することが確認された。