[論文レビュー] Extended vehicle energy dataset (eVED): an enhanced large-scale dataset for deep learning on vehicle trip energy consumption

Shiliang Zhang, Dyako Fatih+3 more|arXiv (Cornell University)|Mar 16, 2022

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本論文では、元のVEDをGPS精度と豊富な特徴量を備えた拡張型Vehicle Energy Dataset（eVED）に発展させた。このデータセットは、マップマッチングとAPI連携により、速度制限、標高、交差点、交通インフラなどの外部地理空間的属性を、生の車両走行記録に統合することで作成された。この拡張済みデータを用いて、LSTMベースの深層学習モデルを訓練したところ、テストセグメントで中央値速度予測のRMSEが8.9078に達し、エネルギー消費モデリングやプライバシー保護型交通行動分析への応用可能性を示した。

ABSTRACT

This work presents an extended version of the Vehicle Energy Dataset (VED), which is a openly released large-scale dataset for vehicle energy consumption analysis. Compared with its original version, the extended VED (eVED) dataset is enhanced with accurate vehicle trip GPS coordinates, serving as a basis to associate the VED trip records with external information, e.g., road speed limit and intersections, from accessible map services to accumulate attributes that is essential in analyzing vehicle energy consumption. In particularly, we calibrate all the GPS trace records in the original VED data, upon which we associated the VED data with attributes extracted from the Geographic Information System (QGIS), the Overpass API, the Open Street Map API, and Google Maps API. The associated attributes include 12,609,170 records of road elevation, 12,203,044 of speed limit, 12,281,719 of speed limit with direction (in case the road is bi-directional), 584,551 of intersections, 429,638 of bus stop, 312,196 of crossings, 195,856 of traffic signals, 29,397 of stop signs, 5,848 of turning loops, 4,053 of railway crossings (level crossing), 3,554 of turning circles, and 2,938 of motorway junctions. With the accurate GPS coordinates and enriched features of the vehicle trip record, the obtained eVED dataset can provide a precise and abundant medium to feed a learning engine, especially a deep learning engine that is more demanding on data sufficiency and richness. Moreover, our software work for data calibration and enrichment can be reused to generate further vehicle trip datasets for specific user cases, contributing to deep insights into vehicle behaviors and traffic dynamics analyses. We anticipate that the eVED dataset and our data enrichment software can serve the academic and industrial automotive section as apparatus in developing future technologies.

研究の動機と目的

• 車両エネルギー消費研究における大規模でオープンかつ豊富にアノテーションされたデータセットの不足を解消すること。
• 元のVehicle Energy Dataset（VED）の精度を向上させ、ノイズの多いGPSトレースを是正し、外部地理空間的属性を追加することで、その有用性を高めること。
• 正確な空間時間的特徴量を備えた、プライバシーに配慮したデータセットを提供することで、交通分野における深層学習応用を可能にすること。
• 公開可能な情報のみを用いて車両速度を推定する深層学習モデルを構築し、eVEDの実用的価値を実証すること。
• 今後の学術的および産業的研究におけるデータ強化・再利用を可能にするために、強化済みデータセットとオープンソースのソフトウェアを公開すること。

提案手法

• 元のVEDデータセットにおけるノイズの多いGPS座標を是正するために、隠れマルコフモデル（HMM）に基づくマップマッチングを適用し、最も可能性の高いレーンに一致させる。
• QGIS、OpenStreetMap（OSM）、Overpass API、Google Maps Elevation APIを用いて、速度制限、標高、交差点、交通インフラを含む1,200万件以上の地理空間的属性を抽出した。
• 空間照会と地理空間処理を用いて、道路勾配、信号機、ストップサイン、バス停、横断歩道などの外部特徴をVED記録に統合した。
• 再現性とカスタム車両データセットへの再利用を支援するモジュラーなソフトウェアパイプラインを用いて、データのキャリブレーションと強化を実施した。
• 7,267件のトレーニングおよび951件のテスト走行セグメント（各セグメント240件の連続特徴記録）を用いて、長短期記憶（LSTM）ネットワークを訓練し、中央値車両速度を推定した。
• 最適なパフォーマンスを得るために、5,000ユニットの隠れ層、8入力特徴（時刻、速度制限、勾配、交通ポイントへの近接度など）およびReLU/tanh活性化関数をLSTMモデルに設定した。

実験結果

リサーチクエスチョン

• RQ1 大規模な車両エネルギーデータセットを、正確なGPS位置と豊富な地理空間的属性で大幅に強化することで、深層学習応用を可能にすることができるか？
• RQ2 公開可能な地理空間データを生の車両走行記録と統合することで、交通およびエネルギーモデリング用の特徴セットをどれほど効果的に拡充できるか？
• RQ3 内部車両データに依存せずに、公開可能な特徴量のみを用いてトレーニングされた深層学習モデルが、車両速度をどれほど正確に推定できるか？
• RQ4 プライベートで安全な特徴量のみを用いてトレーニングされた深層学習モデルが、車両速度推定においてどの程度の予測性能を示すか？
• RQ5 データ強化パイプラインは、特定の研究や産業用途に適合したカスタムデータセットの作成に再利用可能か？

主な発見

• eVEDデータセットには、標高が12,609,170件、速度制限が12,203,044件、方向別速度制限が12,281,719件が含まれており、元のVEDを大幅に強化している。
• 交差点が584,551か所、バス停が429,638か所、信号機が195,856か所、ストップサインが29,397か所含まれており、詳細な交通行動分析が可能である。
• eVEDでトレーニングされたLSTMモデルは、テストセットの4分間走行セグメントにおいて、中央値車両速度予測の平均二乗誤差（RMSE）が8.9078に達した。
• モデルのパフォーマンスは、プライバシーリスクを最小限に抑えるために内部車両データに依存せず、公開可能な地理空間的および時間的特徴量のみを用いても、正確な速度推定が可能であることを示している。
• GPS補正および特徴強化のためのソフトウェアパイプラインはオープンソースとして公開されており、同様の豊富さを持つカスタムデータセットの生成に再利用可能である。
• eVEDデータセットは、エネルギー効率の良いルート計画、車両行動モデリング、交通ダイナミクス分野における高度な研究を可能にし、特に深層学習応用において顕著な貢献が期待される。