[論文レビュー] Estimating multi-class dynamic origin-destination demand through a forward-backward algorithm on computational graphs

Wei Ma, Xidong Pi+1 more|arXiv (Cornell University)|Mar 12, 2019

Traffic Prediction and Management Techniques参考文献 28被引用数 9

ひとこと要約

本稿では、スパースなフローおよび移動時間観測データを用いて、大規模な交通網におけるマルチクラス動的出発地・目的地（OD）需要を推定するためのデータ駆動型計算グラフフレームワークを提案する。この手法はテンソル化された空間時間的フロー、勾配推定のための木構造型累積曲線、および前向き・後向きアルゴリズムを活用し、小規模ネットワークおよび実世界のネットワークにおいても高い精度で収束する。車両とトラックの速度推定において、決定係数（R-squared）はそれぞれ0.45および0.51を達成した。

ABSTRACT

Transportation networks are unprecedentedly complex with heterogeneous vehicular flow. Conventionally, vehicle classes are considered by vehicle classifications (such as standard passenger cars and trucks). However, vehicle flow heterogeneity stems from many other aspects in general, e.g., ride-sourcing vehicles versus personal vehicles, human driven vehicles versus connected and automated vehicles. Provided with some observations of vehicular flow for each class in a large-scale transportation network, how to estimate the multi-class spatio-temporal vehicular flow, in terms of time-varying Origin-Destination (OD) demand and path/link flow, remains a big challenge. This paper presents a solution framework for multi-class dynamic OD demand estimation (MCDODE) in large-scale networks. The proposed framework is built on a computational graph with tensor representations of spatio-temporal flow and all intermediate features involved in the MCDODE formulation. A forward-backward algorithm is proposed to efficiently solve the MCDODE formulation on computational graphs. In addition, we propose a novel concept of tree-based cumulative curves to estimate the gradient of OD demand. A Growing Tree algorithm is developed to construct tree-based cumulative curves. The proposed framework is examined on a small network as well as a real-world large-scale network. The experiment results indicate that the proposed framework is compelling, satisfactory and computationally plausible.

研究の動機と目的

• スパースかつ部分的なフロー観測データを用いて、大規模で多様な交通網におけるマルチクラス動的OD需要推定の課題に対処すること。
• マルチクラス交通ダイナミクスと空間時間的フロー情報を統合するスケーラブルでデータ駆動型のフレームワークを構築すること。
• 個人用車両、トラック、ライドシェアリング車両などの車両クラスにわたる時間変動型OD需要を効率的かつ正確に推定できること。
• 細分化されたクラス固有の移動パターンとネットワークインパactsのインサイトを提供することで、高度な交通管理および計画を支援すること。
• 計算グラフ上で微分可能で勾配ベースの最適化を用いることで、動的OD需要推定の計算効率と頑健性を向上させること。

提案手法

• MCDODE定式化は、空間時間的フローおよび中間特徴のテンソル表現を用いて計算グラフ上に表現される。
• 前向き・後向きアルゴリズムが採用される：前向きパスでは動的交通割り当てと損失が計算され、後向きパスではバックプロパゲーションによりOD需要が更新される。
• 木構造型累積曲線が導入され、とくにスパースなDAR行列において、リンク移動時間のOD需要に関する勾配を効率的に推定する。
• 成長木アルゴリズム（Growing Tree）は、メソスコピックシミュレーション出力（MAC-POSTS）からこれらの木構造型累積曲線を構築し、ルート選択と経路フローをモデル化する。
• フレームワークは複数日分のデータ統合をサポートし、Adagradなどの勾配ベースのソルバを用いる。初期化およびステップサイズの感度分析も実施される。
• 本手法はメソスコピックマルチクラス交通シミュレータ（MAC-POSTS）を用いて検証され、エンドツーエンド最適化のための微分可能で動的ネットワークローディングを活用する。

実験結果

リサーチクエスチョン

• RQ1 部分的かつスパースな交通観測データのみを用いて、大規模ネットワークにおけるマルチクラス動的OD需要をどのように正確に推定できるか？
• RQ2 時間・空間・車両タイプにわたるマルチクラスOD需要を効率的かつスケーラブルに、微分可能に推定できる計算フレームワークは何か？
• RQ3 スパースな経路およびリンクフローデータを有するマルチクラス動的ネットワークにおいて、OD需要の勾配計算をどのように改善できるか？
• RQ4 提案フレームワークは、実世界の大規模ネットワークにおいて推定精度と収束速度をどの程度維持できるか？
• RQ5 本フレームワークは、事前知識の統合やリンク移動時間の導出近似の改善を可能に拡張できるか？

主な発見

• Adagrad最適化手法を用いた前向き・後向きアルゴリズムは、収束が速く、大規模ネットワークにおける計算的妥当性を示している。
• 車両とトラックのリンク速度推定において、観測値との相関係数（決定係数）はそれぞれ0.45および0.51を達成し、中程度から良好な精度であることが示された。
• 初期OD需要およびステップサイズの変動に対しても推定精度が頑健であり、感度分析によりさまざまな設定でも安定性が確認された。
• 木構造型累積曲線の使用は、特に大規模ネットワークにおけるスパースなDAR行列において、勾配推定の効率を顕著に向上させた。
• 本フレームワークは、小規模なテストネットワークおよび実世界のピッツバーグネットワークの両方でマルチクラスOD需要を正確に推定でき、政策に有用な移動行動のインサイトを提供した。
• GitHub上でのMAC-POSTSおよびMCDODEフレームワークのオープンソース実装により、再現性が確保され、将来の確率的OD推定やパrameterキャリブレーションへの応用が可能になった。