[論文レビュー] "How do urban incidents affect traffic speed?" A Deep Graph Convolutional Network for Incident-driven Traffic Speed Prediction

Qinge Xie, Tiancheng Guo+4 more|arXiv (Cornell University)|Dec 3, 2019

Traffic Prediction and Management Techniques参考文献 36被引用数 9

ひとこと要約

本稿では、都市交通の渋滞影響要因を時空間的および文脈的情報と統合することで、都市部の交通速度予測を向上させる深層グラフ畳み込みネットワークであるDIGC-Netを提案する。バイナリ分類器を用いて重要な渋滞要因を同定し、連続的な潜在的影響特徴を抽出することで、サンフランシスコおよびニューヨーク市におけるラッシュアワーにおいて、ベースライン比で最大89.50%低いMAPEを達成する。

ABSTRACT

Accurate traffic speed prediction is an important and challenging topic for transportation planning. Previous studies on traffic speed prediction predominately used spatio-temporal and context features for prediction. However, they have not made good use of the impact of urban traffic incidents. In this work, we aim to make use of the information of urban incidents to achieve a better prediction of traffic speed. Our incident-driven prediction framework consists of three processes. First, we propose a critical incident discovery method to discover urban traffic incidents with high impact on traffic speed. Second, we design a binary classifier, which uses deep learning methods to extract the latent incident impact features from the middle layer of the classifier. Combining above methods, we propose a Deep Incident-Aware Graph Convolutional Network (DIGC-Net) to effectively incorporate urban traffic incident, spatio-temporal, periodic and context features for traffic speed prediction. We conduct experiments on two real-world urban traffic datasets of San Francisco and New York City. The results demonstrate the superior performance of our model compare to the competing benchmarks.

研究の動機と目的

• 都市交通の渋滞影響の変動要因を十分に考慮しない交通速度予測モデルのギャップを埋める。
• 交通流れや速度に顕著な影響を与える高影響度の渋滞要因を特定・定量化する。
• 予測精度の向上を図るため、連続的で潜在的な渋滞影響特徴を抽出する手法を開発する。
• 渋滞影響、時空間的、周期的、文脈的特徴を統合した包括的な深層学習フレームワークを構築し、交通速度予測を実現する。

提案手法

• 異常度と速度変動を用いた異常検知法を活用し、高影響度の都市渋滞要因を同定するための重要な渋滞発見手法を提案する。
• ネットワークの中間層から潜在的渋滞影響特徴を抽出するため、深層学習を用いたバイナリ分類器を設計する。
• 非ユークリッド的トポロジーを活用して、道路網における空間的依存関係をグラフ畳み込みネットワーク（GCN）でモデル化する。
• 渋滞影響特徴を時空間的、周期的、天候的特徴と統合し、包括的な深層インシデント認識グラフ畳み込みネットワーク（DIGC-Net）を構築する。
• 時空間的コンponentに学習可能なユニットを導入し、複数ステップの速度予測（k=1,2,3）を可能にする。
• サンフランシスコおよびニューヨーク市の実世界データセットを用いてDIGC-Netを訓練・評価し、比較ベンチマークを実施する。

実験結果

リサーチクエスチョン

• RQ1 異なる都市交通渋滞要因が交通速度にどのように影響を与えるか、また高影響度と低影響度の要因の違いは何か？
• RQ2 高影響度の渋滞要因は、都市道路網全体で特徴的な時空間的パターンを示すか？
• RQ3 潜在的渾濁影響特徴を効果的に抽出し、交通速度予測に活用できるか？
• RQ4 時空間的および文脈的特徴のみを用いるモデルと比較して、渋滞データを統合することで予測精度がどの程度向上するか？

主な発見

• ニューヨーク市におけるラッシュアワーでは、DIGC-Netがベースライン比最大89.50%低いMAPEを達成する。
• サンフランシスコでも、ラッシュアワーにおけるベースライン比でMAPEが最大89.50%低減され、予測ホライズンにわたり安定した性能を示す。
• マルチステップ予測においても一貫した性能を維持し、サンフランシスコのk=3（15分予測）ではMAPEが5.44%相対的に増加するにとどまる。
• DIGC-NetとLC-RNNの性能差はラッシュアワーにおいて拡大し、複雑な交通ダイナミクスに対するDIGC-Netの優れた対処能力を示している。
• ピーク渋滞時における顕著な改善が見られ、高交通量時および低交通量時の両方でフレームワークの頑健性が確認された。
• 潜在的渋滞影響特徴の統合により、予測精度に明確な向上が見られ、提案手法の特徴抽出アプローチの有効性が裏付けられた。