[論文レビュー] Mobility prediction Based on Machine Learning Algorithms

Donglin Wang, Qiuheng Zhou+3 more|arXiv (Cornell University)|Nov 12, 2021

Human Mobility and Location-Based Analysis参考文献 9被引用数 4

ひとこと要約

本稿では、SUMOシミュレーションから得た軌道データを用いて経路選択を分類する、高速道路シナリオにおける車両ユーザー向けのサポートベクターマシン（SVM）ベースの移動予測モデルを提案する。400件のトレーニング例を用いたSVMは、テストセットサイズが変化しても平均92.2%の予測精度を達成し、モバイルネットワークにおける経路予測において優れた性能を示している。

ABSTRACT

Nowadays mobile communication is growing fast in the 5G communication industry. With the increasing capacity requirements and requirements for quality of experience, mobility prediction has been widely applied to mobile communication and has becoming one of the key enablers that utilizes historical traffic information to predict future locations of traffic users, Since accurate mobility prediction can help enable efficient radio resource management, assist route planning, guide vehicle dispatching, or mitigate traffic congestion. However, mobility prediction is a challenging problem due to the complicated traffic network. In the past few years, plenty of researches have been done in this area, including Non-Machine-Learning (Non-ML)- based and Machine-Learning (ML)-based mobility prediction. In this paper, firstly we introduce the state of the art technologies for mobility prediction. Then, we selected Support Vector Machine (SVM) algorithm, the ML algorithm for practical traffic date training. Lastly, we analyse the simulation results for mobility prediction and introduce a future work plan where mobility prediction will be applied for improving mobile communication.

研究の動機と目的

• モバイルネットワークにおける車両ユーザーの移動予測のための機械学習アルゴリズム、特にSVMの評価を目的とする。
• シミュレートされた高速道路環境からの実世界に類似した軌道データを用いて、実用的な移動予測モデルの構築を目的とする。
• 歴史的移動パターンに基づいて、将来の経路選択（経路1対経路2）を分類するSVMの性能を評価することを目的とする。
• SVMが5Gネットワークやインテリジェント交通システムに適用可能な正確で低レイテンシの移動予測に有効であることを実証することを目的とする。

提案手法

• SUMOを用いて、2本の経路、3本のレーン、1方向の高速道路シナリオをモデル化し、車両の移動をシミュレートした。
• 100ステップにわたり車両の軌道が生成され、経路選択は「0」（直進）または「1」（右折）としてラベル付けされた。
• scikit-learnを用いて線形カーネルを備えた線形SVM分類器を実装し、移動特徴に基づいて経路選択を予測した。
• トレーニングデータセットは400件であり、テストは10、20、…、100件のテスト例を用いて、スケールに応じた精度を評価した。
• 予測の分離品質を評価するため、意思決定境界を可視化した。
• 予測精度は、正しく分類されたテストインスタンス数を総テストインスタンス数で割った比として計算された。

実験結果

リサーチクエスチョン

• RQ1 歴史的移動データに基づいて、SVMモデルは高速道路シナリオにおける車両の将来の経路選択をどの程度正確に予測できるか？
• RQ2 テストセットサイズの変化が、SVMベースの移動予測モデルの予測精度に与える影響は何か？
• RQ3 SVMモデルは、シミュレートされた交通環境において、2つの明確な移動パターン（直進対右折）をどの程度正しく分類できるか？
• RQ4 SVMベースの予測モデルは、5Gネットワークにおけるリアルタイムの移動管理に実際に効果的に適用可能か？

主な発見

• SVMモデルは、複数のテストセットサイズにわたって平均92.2%の予測精度を達成し、個々の精度は86.07%から95%の範囲にあった。
• 10件のテスト例では90%の精度を達成し、100件のテスト例では94%の精度に達した。
• モデルは一貫した性能を示し、ほとんどのテストセットサイズで90%以上の精度を達成しており、その頑健性が裏付けられた。
• 特徴空間における2つの経路クラスの分離に、Y = -1.5の線形意思決定境界が効果的に機能しており、信頼性の高い分類を支持した。
• テストデータが増加した際には誤分類が観察されたが、100件中3件の誤予測にとどまり、負荷が高くなる状況下でもわずかな誤分類にとどまった。
• シミュレーション結果から、SVMは高速道路環境における移動予測のための実用的で正確な手法であり、モバイルネットワーク管理への統合に適していることが確認された。