[論文レビュー] Dynamic Spatial-Temporal Representation Learning for Traffic Flow Prediction

Lingbo Liu, Jiajie Zhen+5 more|arXiv (Cornell University)|Sep 2, 2019

Traffic Prediction and Management Techniques参考文献 56被引用数 15

ひとこと要約

本稿では、適応的アテンションマップを用いて動的空間時系列依存関係をモデル化する、新しい注目メカニズム拡張型ConvLSTMアーキテクチャ「Attentive Traffic Flow Machine (ATFM)」を提案する。この手法は、交通フローおよび乗客需要予測ベンチマークにおいて最先端の性能を達成し、長期予測タスクでは既存モデルを最大16.58%上回っている。

ABSTRACT

As a crucial component in intelligent transportation systems, traffic flow prediction has recently attracted widespread research interest in the field of artificial intelligence (AI) with the increasing availability of massive traffic mobility data. Its key challenge lies in how to integrate diverse factors (such as temporal rules and spatial dependencies) to infer the evolution trend of traffic flow. To address this problem, we propose a unified neural network called Attentive Traffic Flow Machine (ATFM), which can effectively learn the spatial-temporal feature representations of traffic flow with an attention mechanism. In particular, our ATFM is composed of two progressive Convolutional Long Short-Term Memory (ConvLSTM \cite{xingjian2015convolutional}) units connected with a convolutional layer. Specifically, the first ConvLSTM unit takes normal traffic flow features as input and generates a hidden state at each time-step, which is further fed into the connected convolutional layer for spatial attention map inference. The second ConvLSTM unit aims at learning the dynamic spatial-temporal representations from the attentionally weighted traffic flow features. Further, we develop two deep learning frameworks based on ATFM to predict citywide short-term/long-term traffic flow by adaptively incorporating the sequential and periodic data as well as other external influences. Extensive experiments on two standard benchmarks well demonstrate the superiority of the proposed method for traffic flow prediction. Moreover, to verify the generalization of our method, we also apply the customized framework to forecast the passenger pickup/dropoff demands in traffic prediction and show its superior performance. Our code and data are available at {\color{blue}\url{https://github.com/liulingbo918/ATFM}}.

研究の動機と目的

• 深層学習を用いて都市交通フローにおける複雑で非定常な空間時系列依存関係をモデル化する課題に対処すること。
• 既存の交通予測手法における静的空間モデリングおよび固定時系列表現の限界を克服すること。
• 統一されたフレームワークを通じて、時系列トレンド、周期的パターン（例：ラッシュアワー）および外部要因を適応的に統合すること。
• 提案手法を乗客ピックアップ／ドロップオフ需要予測などの関連タスクに一般化すること。
• 実都市環境における短期および長期交通フロー予測の精度を向上させること。

提案手法

• 入力としての生の交通フローを処理し、隠れ状態を生成する最初のConvLSTMを備えた2段階型ニューラルネットワーク「ATFM」を提案する。
• 隠れ状態を用いて畳み込み層を介して空間アテンションマップを推定し、関連する領域に動的かつ的確に注目できるようにする。
• アテンション重み付き特徴量を第二のConvLSTMに供給し、動的空間時系列表現を学習する。
• 時変融合モジュールを用いて、時系列的および周期的パターンを適応的に統合する。
• 短期予測用のSPNおよび長期予測用のSPN-LONGという2つのエンドツーエンドフレームワークを構築する。
• GPSやタクシー／自転車の軌道などの実世界のモビリティデータを活用し、グリッドベースの交通フロー地図を入力として生成する。

実験結果

リサーチクエスチョン

• RQ1 時間経過に伴い変化する交通フローにおける動的空間依存関係を効果的にモデル化する方法は何か？
• RQ2 アテンションメカニズムは、交通フロー予測における空間時系列特徴の表現を向上させ得るか？
• RQ3 提案手法は、交通フロー予測の標準ベンチマークにおいて最先端モデルと比較してどのように性能を発揮するか？
• RQ4 ATFMフレームワークは、乗客需要予測などの他の都市モビリティ予測タスクにどの程度一般化可能か？
• RQ5 大規模都市環境における予測精度に、空間解像度および時間粒度はどの程度の影響を及ぼすか？

主な発見

• 短時間交通フロー予測において、最大の空間解像度（$30\times10$）で、提案されたATFMベースのSPNフレームワークはRMSEが7.38、MAEが3.96を達成した。
• 乗客需要予測タスクにおいて、SPNはPredRNNやST-ResNetを含むすべてのベースラインを上回り、RMSEが17.29、MAEが9.91を記録した。
• SPN-LONGは2.0時間予測予測期間においてPredRNN比で16.58%の性能向上を達成し、RMSEは24.45（PredRNN：29.31）であった。
• 空間解像度が向上するにつれて性能が向上するが、$15\times5$または$20\times7$を超えると利得の逓減と過剰分割のリスクが顕在化する。
• 短期および長期の需要予測の両方において、ベースラインのHA（RMSE: 39.02）および他の深層学習モデルを著しく上回った。
• アブレーションスタディの結果、アテンションメカニズムおよび動的統合モジュールが複雑な空間時系列パターンを捉える上で不可欠であることが確認された。