[論文レビュー] Low-Rank Hankel Tensor Completion for Traffic Speed Estimation

Xudong Wang, Yuankai Wu+2 more|arXiv (Cornell University)|May 21, 2021

Tensor decomposition and applications参考文献 26被引用数 4

ひとこと要約

本稿では、低ランクヘンケルテンソル補完を用いた、データ駆動型でモデルフリーな交通速度推定手法を提案する。スパースな軌跡データを二重の時空間遅延埋め込みにより4次元ヘンケルテンソルに変換し、低ランク構造とADMMを用いたトレuncated核ノルム最小化を活用することで、グローバルおよびローカルな時空間パターンを正確に回復する。既存手法を上回り、88%のデータ欠落率ですら性能を発揮する。

ABSTRACT

This paper studies the traffic state estimation (TSE) problem using sparse observations from mobile sensors. Most existing TSE methods either rely on well-defined physical traffic flow models or require large amounts of simulation data as input to train machine learning models. Different from previous studies, we propose a purely data-driven and model-free solution in this paper. We consider the TSE as a spatiotemporal matrix completion/interpolation problem, and apply spatiotemporal delay embedding to transform the original incomplete matrix into a fourth-order Hankel structured tensor. By imposing a low-rank assumption on this tensor structure, we can approximate and characterize both global and local spatiotemporal patterns in a data-driven manner. We use the truncated nuclear norm of a balanced spatiotemporal unfolding -- in which each column represents the vectorization of a small patch in the original matrix -- to approximate the tensor rank. An efficient solution algorithm based on the Alternating Direction Method of Multipliers (ADMM) is developed for model learning. The proposed framework only involves two hyperparameters, spatial and temporal window lengths, which are easy to set given the degree of data sparsity. We conduct numerical experiments on real-world high-resolution trajectory data, and our results demonstrate the effectiveness and superiority of the proposed model in some challenging scenarios.

研究の動機と目的

• モバイルセンサーから得られるスパースで不完全なデータにおいて、物理的モデルや大規模なシミュレーションデータセットが利用できない状況下での交通状態推定（TSE）の課題に対処すること。
• グローバルおよびローカルな時空間相関を両方捉える、完全にデータ駆動型でモデルフリーなフレームワークの開発。
• 時空間データに内在する低ランク構造を活用することで、事前物理的仮定や大規模な学習データへの依存を低減すること。
• 特に88%の欠落値を含む極端な欠落データ状況において、ローカルおよびグローバルパターン回復を強化することで、補完精度を向上させること。

提案手法

• 不完全な時空間交通速度行列を、二重の時空間遅延埋め込み（ヘンケル化）により4次元ヘンケルテンソルに変換する。
• テンソルのバランス型時空間アンフォールディングを適用し、トレuncated核ノルムを用いた効率的な低ランク近似を可能にする。
• 交替方向乗数法（ADMM）を用いて、効率的で反復的な最適化アルゴリズムによりテンソル補完問題を解く。
• アンフォールディングされたテンソルに低ランク制約を課すことにより、交通ダイナミクスのグローバルトレンドとローカル一貫性を両方捉える。
• データの欠落度と計算制約に基づき、空間ウィンドウ長τsと時間ウィンドウ長τtの2つのハイパーパrameterのみを用いる。
• トレuncated核ノルム最小化を用いてテンソルランクを近似し、フルSVD計算を避けることで、ロバストで効率的な補完を可能にする。

実験結果

リサーチクエスチョン

• RQ1 物理的交通流モデルに依存せず、スパースなモバイルセンサーからのデータのみを用いて、完全にデータ駆動型でモデルフリーなアプローチが、交通速度を効果的に推定できるか。
• RQ2 低ランクヘンケルテンソル補完は、ショックウェーブや混雑移行といった複雑な時空間パターンを、極めて不完全なデータにおいても効果的に回復できるか。
• RQ3 時空間遅延埋め込みは、交通速度データにおけるローカルおよびグローバル相関をどのように保存するか。
• RQ4 極端なデータ欠落状況下において、本手法は最先端のTSE手法と比較して、精度と計算効率の両面で優れているか。
• RQ5 バランス型アンフォールディングにおけるトレuncated核ノルムは、フルテンソルランク近似の代替として、計算的に効率的かつ効果的であるか。

主な発見

• 提案手法STH-LRTCは、MFTVおよびASMよりも優れた性能を発揮し、特に高い欠落率状況（例：88%の欠落値）においてショックウェーブや小規模な交通状態遷移を回復する。
• STH-LRTCは、ASMがぼやけたり見逃したりする小規模なショックウェーブを成功裏に回復し、局所的パターンの保存性が向上していることを示している。
• NGSIMデータで5%の軌跡が利用可能な状況下で、実行時間を96.3秒（±5.4）に短縮し、STH-SNN（290.5秒）およびSTH-Tucker（288.7秒）を大きく上回った。これは、反復毎に1回のSVD計算で十分であるため、効率的である。
• 低ランク構造によりグローバルトレンドが効果的に捉えられ、遅延埋め込みによりローカル一貫性が向上し、複雑な交通ダイナミクスの正確な回復が可能になった。
• 2つのハイパーパrameter（τsおよびτt）は、モデルの感度と計算コストのトレードオフを制御するのに十分であり、実世界への展開に実用的である。