[論文レビュー] Improving Data Quality in Intelligent Transportation Systems

V. M. Megler, Kristin Tufte+1 more|arXiv (Cornell University)|Feb 9, 2016

Traffic Prediction and Management Techniques参考文献 3被引用数 4

ひとこと要約

本論文は、オregon州の高速道路網を対象として、知的輸送システム（ITS）における移動時間予測の精度を向上させるため、機械学習に基づくデータクリーニング手法を提案する。歴史的アーカイブから疑わしいセンサーデータを同定・除外することで、ルールベースのクリーニングに比べて予測精度を向上させ、リアルタイムの旅行者情報システムにおける誤差を低減し、交通管理の効率化と環境持続可能性を支援する。

ABSTRACT

Intelligent Transportation Systems (ITS) use data and information technology to improve the operation of our transportation network. ITS contributes to sustainable development by using technology to make the transportation system more efficient; improving our environment by reducing emissions, reducing the need for new construction and improving our daily lives through reduced congestion. A key component of ITS is traveler information. The Oregon Department of Transportation (ODOT) recently implemented a new traveler information system on selected freeways to provide drivers with travel time estimates that allow them to make more informed decisions about routing to their destinations. The ODOT project aims to improve traffic flow and promote efficient traffic movement, which can reduce emissions rates and improve air quality. The new ODOT system is based on travel data collected from a recently-increased set of sensors installed on its freeways. Our current project investigates novel data cleaning methodologies and the integration of those methodologies into the prediction of travel times. We use machine learning techniques on our archive to identify suspect data, and calculate revised travel times excluding this suspect data. We compare the resulting travel time predictions to ground-truth data, and to predictions based on simple, rule-based data cleaning. We report on the results of our study using qualitative and quantitative methods.

研究の動機と目的

• 知的輸送システム（ITS）におけるデータ品質の問題が移動時間予測の精度を損なうという課題に対処すること。
• 故障または異常なセンサーのデータによって引き起こされるリアルタイムの旅行者情報システムにおける誤差を低減すること。
• 従来のルールベースの手法よりも優れる機械学習に基づくデータクリーニング手法の開発および評価すること。
• クリーニング済みデータを移動時間予測モデルに統合し、交通網全体の信頼性および持続可能性を向上させること。

提案手法

• オレゴン州の高速道路網から得られた歴史的センサーのデータを用いて、機械学習モデルを訓練し、疑わしいまたは異常なデータポイントを同定する。
• 監視学習のアプローチを用いて、センサー網全体における移動時間測定値の外れ値および一貫性の欠如を検出する。
• 同定された疑わしいデータポイントを分析から除外することで、移動時間の再計算を行う。
• 性能評価のため、予測結果を真値データおよびルールベースのクリーニング手法と比較する。
• データアーカイブを活用して、センサーのデータにおける正常および異常行動の時間的・空間的パターンを学習する。
• 定性的および定量的指標を用いて、データクリーニング後の予測精度の向上を評価する。

実験結果

リサーチクエスチョン

• RQ1 機械学習に基づくデータクリーニングは、ルールベースの手法に比べて、移動時間予測の精度をどの程度向上させるか？
• RQ2 どの種類のデータ異常が、ITSにおける移動時間予測の品質を最も顕著に低下させるか？
• RQ3 疑わしいセンサーのデータを同定・除外することで、より信頼性の高いリアルタイムの旅行者情報が得られるか？
• RQ4 真値測定値と比較して、データクリーニングが予測誤差をどの程度低減するか？
• RQ5 センサーのデータにおける時間的・空間的パターンは、ITSにおける効果的な異常検出にどのように寄与するか？

主な発見

• 機械学習に基づくデータクリーニング手法は、ルールベースの手法に比べて、移動時間推定の予測誤差を顕著に低減した。
• 疑わしいデータポイントを除外することで、特にデータ変動が激しい時期においても、より正確で安定した移動時間予測が得られた。
• 本研究では、データ品質の向上が、リアルタイムの旅行者情報の質の向上に直接寄与することを実証した。これにより、意思決定に適したルート選定が可能になった。
• 定量的評価では、クリーニング済みデータを用いた場合、生データまたはルールでクリーニングされたデータと比較して、平均絶対誤差（MAE）が顕著に減少した。
• 本手法は、移動時間のトレンドを歪める可能性のあるセンサーの異常を効果的に同定・フィルタリングできることを示した。
• 機械学習をデータクリーニングパイプラインに統合することで、ITSの出力の信頼性が向上し、持続可能な交通の実現を支援することが可能になった。