[論文レビュー] Incorporating Kinematic Wave Theory into a Deep Learning Method for High-Resolution Traffic Speed Estimation

Bilal Thonnam Thodi, Zaid Saeed Khan+2 more|arXiv (Cornell University)|Feb 4, 2021

Traffic Prediction and Management Techniques参考文献 50被引用数 64

ひとこと要約

本稿では、スパarsなプローブ車両データから高分解能の交通速度推定を行うために、運動波理論を深層畳み込みニューラルネットワーク（CNN）に統合した物理情報付き深層学習モデルを提案する。非等方的カーネルを用いて時空間的波動伝播を符号化し、シミュレーションデータ上で訓練することで、モデルの複雑さを低減し、物理的整合性を向上させ、プローブ車両の到着率が変化しても強力な汎化性能を発揮する。従来のデータ駆動型手法を上回る性能を示した。

ABSTRACT

We propose a kinematic wave-based Deep Convolutional Neural Network (Deep CNN) to estimate high-resolution traffic speed fields from sparse probe vehicle trajectories. We introduce two key approaches that allow us to incorporate kinematic wave theory principles to improve the robustness of existing learning-based estimation methods. First, we propose an anisotropic traffic kernel for the Deep CNN. The anisotropic kernel explicitly accounts for space-time correlations in macroscopic traffic and effectively reduces the number of trainable parameters in the Deep CNN model. Second, we propose to use simulated data for training the Deep CNN. Using a targeted simulated data for training provides an implicit way to impose desirable traffic physical features on the learning model. In the experiments, we highlight the benefits of using anisotropic kernels and evaluate the transferability of the trained model to real-world traffic using the Next Generation Simulation (NGSIM) and the German Highway Drone (HighD) datasets. The results demonstrate that anisotropic kernels significantly reduce model complexity and model over-fitting, and improve the physical correctness of the estimated speed fields. We find that model complexity scales linearly with problem size for anisotropic kernels compared to quadratic scaling for isotropic kernels. Furthermore, evaluation on real-world datasets shows acceptable performance, which establishes that simulation-based training is a viable surrogate to learning from real-world data. Finally, a comparison with standard estimation techniques shows the superior estimation accuracy of the proposed method.

研究の動機と目的

• スパarsなプローブ車両データから高分解能の交通速度場を推定する課題に対処すること。
• ドメイン特化した交通物理法則を統合することで、交通状態推定における深層学習モデルのロバスト性と物理的整合性を向上させること。
• 低データ環境下でも推定精度を維持しながら、モデルの複雑さと過学習リスクを低減すること。
• データ分布の事前知識なしに、異なるプローブ車両到着率にわたる汎化を可能にすること。
• シミュレーションベースの学習が、交通推定のための深層学習において実世界データの代用として有効であることを実証すること。

提案手法

• 運動波理論に基づき、自由流れでは前方、混雑時には後方へと伝播する交通波の方向性を反映した非等方的畳み込みカーネルを導入する。
• 受容 field を物理的に妥当な時空間的パスに制限することで、CNNアーキテクチャを再設計し、パラメータ数を削減するとともに解釈可能性を向上させる。
• マイクロスコピック交通シミュレータから生成された合成交通データに限定してモデルを訓練し、現実的な交通ダイナミクスと波動行動を埋め込む。
• 多様な交通状態（自由流れ、混雑、ストップアンドゴー）をカバーするようにターゲットとなるシミュレーションデータを設計し、モデルが正確な波速を学習できるようにする。
• 異なる到着率で訓練されたプローブ固有のモデルの予測を統合するアンサンブルモデルを実装し、データの希釈度が未知の状況でもロバスト性を確保する。
• 損失関数の正則化ではなく、アーキテクチャ設計による物理情報付き正則化戦略を採用し、交通ダイナミクスをネットワーク構造そのものに直接埋め込む。

実験結果

リサーチクエスチョン

• RQ1 交通波の伝播を反映した非等方的畳み込みカーネルは、交通速度推定における深層学習モデルの物理的妥当性とロバスト性を向上させることができるか？
• RQ2 シミュレーションデータで学習した場合と実世界データで学習した場合とを比較したとき、未観測の交通状況におけるモデルの汎化性能と性能はどのように異なるか？
• RQ3 非等方的カーネルと比較して、等方的カーネルを用いた場合、問題サイズの増大に伴いモデルの複雑さはどの程度増加するか？
• RQ4 プローブ固有のモデルのアンサンブルは、到着率のレベルを事前に知らずに、さまざまなプローブ車両到着率にわたって効果的に汎化できるか？
• RQ5 CNNアーキテクチャに運動波理論を統合することで、標準の等方的CNNと比較して、より正確で物理的に整合性のあるシャクウォーク推定が可能になるか？

主な発見

• 非等方的カーネルを用いることで、等方的カーネルと比較して、問題サイズに比例してモデルの複雑さが線形に増加するようになり、パラメータ数が著しく削減され、過学習リスクが低減される。
• 非等方的カーネルを備えたモデルは、混雑時における正確な後方波動伝播を再現し、物理的に正しい交通シャクウォークを生成する。これに対して等方的モデルはその特徴を捉えられていない。
• シミュレーションデータでの学習により、実世界データセット（NGSIM と HighD）への高い転送性能が達成され、シミュレーションが実データの代替として有効であることが確認された。
• プローブ固有のネットワークのアンサンブルモデルは、すべてのプローブ車両到着率（5% から 70%）で一貫した性能を示し、単一の汎用モデルや個々のプローブ固有モデルよりも優れた性能と汎化能力を達成した。
• 本手法は、特に低データ環境や複雑な波動ダイナミクス下において、標準的なデータ駆動型およびモデルベース手法を上回る推定精度を達成した。
• 等方的モデルと同等の推定誤差を維持しながら、著しく改善されたモデルの簡潔さ（parsimony）と物理的整合性を達成した。