[論文レビュー] From Twitter to Traffic Predictor: Next-Day Morning Traffic Prediction Using Social Media Data

Weiran Yao, Sean Qian|arXiv (Cornell University)|Sep 29, 2020

Traffic Prediction and Management Techniques参考文献 78被引用数 67

ひとこと要約

本稿では、午前中における交通渋滞を予測するソーシャルメディア駆動型フレームワーク「tweet2traffic」を提案する。このフレームワークは、午前0時までに収集されたTwitterデータを用い、特に夜間および早朝の活動パターンに注目して、感情分析、タイミング、位置情報のパターンを分析することで、意味のある移動需要のシグナルを抽出する。これにより、特に日次変動が大きい渋滞の原因となるボトルネックの上流部において、午前の渋滞予測が顕著に向上する。

ABSTRACT

The effectiveness of traditional traffic prediction methods is often extremely limited when forecasting traffic dynamics in early morning. The reason is that traffic can break down drastically during the early morning commute, and the time and duration of this break-down vary substantially from day to day. Early morning traffic forecast is crucial to inform morning-commute traffic management, but they are generally challenging to predict in advance, particularly by midnight. In this paper, we propose to mine Twitter messages as a probing method to understand the impacts of people's work and rest patterns in the evening/midnight of the previous day to the next-day morning traffic. The model is tested on freeway networks in Pittsburgh as experiments. The resulting relationship is surprisingly simple and powerful. We find that, in general, the earlier people rest as indicated from Tweets, the more congested roads will be in the next morning. The occurrence of big events in the evening before, represented by higher or lower tweet sentiment than normal, often implies lower travel demand in the next morning than normal days. Besides, people's tweeting activities in the night before and early morning are statistically associated with congestion in morning peak hours. We make use of such relationships to build a predictive framework which forecasts morning commute congestion using people's tweeting profiles extracted by 5 am or as late as the midnight prior to the morning. The Pittsburgh study supports that our framework can precisely predict morning congestion, particularly for some road segments upstream of roadway bottlenecks with large day-to-day congestion variation. Our approach considerably outperforms those existing methods without Twitter message features, and it can learn meaningful representation of demand from tweeting profiles that offer managerial insights.

研究の動機と目的

• 従来のモデルが、渋滞パターンの日次変動が著しいため困難である、翌日の朝の渋滞予測という重要な課題に取り組む。
• リアルタイムまたは歴史的交通データに依存する従来の交通予測モデルの限界を克服する。これらのデータは5時まではフリーアクセス状態のため、情報が得られない。
• ソーシャルメディアデータ（特にTwitter）が、翌日の朝の交通に影響を与える人口レベルの移動需要と行動パターンの代理指標として機能するかを検証する。
• 交通インシデント、天候、時系列変数と統合された、データドリブンなフレームワークを構築し、渋滞発生および持続時間の早期予測を改善する。
• tweet2trafficの特徴量が、需要の変動に敏感で、ボトルネックの上流部に位置する道路セグメントにおいて、特に予測精度を向上させることを実証する。

提案手法

• 深夜（午前0時～午前5時）および早朝の期間に注目し、位置情報が付与されたツイート、リツイート、お気に入り、ユーザータイムラインを含むTwitterデータを収集・前処理する。
• ノイズの多いユーザー（例：観光客）を除外するデータ拡張戦略を実装し、住民の居住地を推定し、非位置情報付きのアクティビティ（例：リツイート、いいね）を用いてツイートデータを拡張する。
• ニューラルネットワークベースの感情分析モデルを適用し、感情の偏差を検出することで、異常な地域イベント（例：コンcert、試合）を特定する。
• 自然言語処理とキーワードマッチングを用いて、ツイートから交通インシデントレポートを抽出し、計画的または予期しない障害を同定する。
• 3つの構成要素を持つマルチソース予測パイプラインを構築する：(1) ロードレベルの交通記述子、(2) セグメントレベルの交通分類器（渋滞の有無：2値分類）、(3) セグメントレベルの交通回帰モデル（渋滞開始時刻、持続時間、計画インデックス）。
• 道路セグメントに沿った順序付き時空間的渋滞パターンを活用するクラスタリング学習構造を採用し、一般化性能と予測精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 午前0時までに収集されたTwitterデータは、翌日の朝の渋滞予測に信頼できるシグナルを提供できるか？
• RQ2 夜間のツイート行動（睡眠・覚醒パターン）から推定される人々の生活リズムは、朝の渋滞レベルとどのように相関するか？
• RQ3 感情の極端な変動によって検出される異常な地域イベント（例：スポーツ試合、コンcert）は、旅行需要の低下と朝の渋滞の減少を予測できる程度はどれほどか？
• RQ4 交通インシデントや天候などの従来のデータソースと比較して、ツイート由来の特徴量は、異なる道路セグメントにおいて予測力にどの程度差を生じるか？
• RQ5 日次変動が著しい地域、特にボトルネックの上流部において、ソーシャルメディアデータの統合が予測性能を最も顕著に向上させるか？

主な発見

• 就寝が早い人ほど（夜間のツイート活動が減少するほど）、翌日の朝の渋滞が深刻になる傾向がある。
• 前日深夜および朝のツイート活動（午前5時まで）は、朝の渋滞と統計的に有意に相関しており、夜遅い行動と翌日の交通パターンとの直接的な関連を示唆している。
• 感情の偏差によって検出された異常な地域イベント（例：スポーツ試合、コンcert）は、通常より低い移動需要と、朝の渋滞の低下と関連している。
• tweet2trafficフレームワークは、ソーシャルメディア特徴量を含まないベースラインモデルを著しく上回り、特に日次変動が著しいボトルネックの上流部の道路セグメントで顕著に優れた性能を示す。
• 特別なイベントがある日には、人々が夕方の活動によって朝の移動を延期または削減するため、ソーシャルメディアデータが予測精度を顕著に向上させる。
• 予測遅延が増加してもモデルの安定性が保たれ、午前0時までに収集されたデータが、翌日の朝の交通予測に信頼性を持って十分であることを示している。