[論文レビュー] Network-Scale Traffic Modeling and Forecasting with Graphical Lasso and Neural Networks

Shiliang Sun, Rongqing Huang+1 more|arXiv (Cornell University)|Dec 25, 2017

Gaussian Processes and Bayesian Inference参考文献 5被引用数 3

ひとこと要約

本稿では、スパースな依存関係モデリングにグラフィカルラソ（GL）を用い、ニューラルネットワーク（NN）と組み合わせたマルチリンク交通フロー予測フレームワークを提案する。このフレームワークは、単一リンクおよびマルチタスク学習ベースラインを上回る性能を示す。GL-NNは隣接リンクの関連する歴史的フローを抽出することで、実世界のデータ上でも一貫してMMTLおよび他のモデルを上回る高い精度を達成する。

ABSTRACT

Traffic flow forecasting, especially the short-term case, is an important topic in intelligent transportation systems (ITS). This paper does a lot of research on network-scale modeling and forecasting of short-term traffic flows. Firstly, we propose the concepts of single-link and multi-link models of traffic flow forecasting. Secondly, we construct four prediction models by combining the two models with single-task learning and multi-task learning. The combination of the multi-link model and multi-task learning not only improves the experimental efficiency but also the prediction accuracy. Moreover, a new multi-link single-task approach that combines graphical lasso (GL) with neural network (NN) is proposed. GL provides a general methodology for solving problems involving lots of variables. Using L1 regularization, GL builds a sparse graphical model making use of the sparse inverse covariance matrix. In addition, Gaussian process regression (GPR) is a classic regression algorithm in Bayesian machine learning. Although there is wide research on GPR, there are few applications of GPR in traffic flow forecasting. In this paper, we apply GPR to traffic flow forecasting and show its potential. Through sufficient experiments, we compare all of the proposed approaches and make an overall assessment at last.

研究の動機と目的

• 隣接リンクからの空間的依存関係を組み込むことにより、単一リンク交通フロー予測の限界を克服すること。
• 機械学習技術とマルチリンクモデリングを統合することで、予測精度と効率性を向上させること。
• ガウス過程回帰（GPR）を交通フロー予測に応用し、不確実性を考慮した予測を検討すること。
• グラフィカルラソ（GL）が大規模交通ネットワークから関連変数を抽出する有効性を評価すること。
• 異なるモデリングアーキテクチャにおいて、単一タスクとマルチタスク学習フレームワークを比較すること。

提案手法

• リンク固有の依存関係とネットワーク全体の依存関係を区別するため、単一リンクおよびマルチリンク予測モデルを提案する。
• L1正則化を用いた逆分散共分散行列を用いて特徴選択を行うスパースなグラフィカルモデルを構築するため、グラフィカルラソ（GL）とニューラルネットワーク（GL-NN）を組み合わせる。
• 複数のリンクにわたる予測を同時に学習することで一般化性能と効率性を向上させるため、マルチタスク学習（MTL）を適用する。
• GL-NNおよびMMTLフレームワークのコア回帰モデルとして、バックプロパゲーション（BP）ニューラルネットワークを用いる。
• 不確実性の定量化に予測分布を活用するため、ガウス過程回帰（GPR）を単一リンク単一タスクベースラインとして統合する。
• 実世界の交通フローデータを用いてすべてのモデルを学習・評価し、平均絶対誤差（MAE）と有意性のためのt検定を性能指標として用いる。

実験結果

リサーチクエスチョン

• RQ1 隣接リンクのデータを組み込むマルチリンクモデリングは、単一リンクモデルと比較して短期交通フロー予測の精度を向上させることができるか？
• RQ2 グラフィカルラソとニューラルネットワークを組み合わせたGL-NNは、マルチタスク学習（MMTL）に比べてネットワークスケール交通フロー予測で優れた性能を示すか？
• RQ3 ガウス過程回帰（GPR）は、交通フロー予測における予測精度と不確実性推定の観点から、ニューラルネットワークベースのモデルと比較してどう異なるか？
• RQ4 GLによるスパースなグラフィカルモデルの使用は、大規模交通ネットワークにおける特徴選択および予測効率をどの程度向上させるか？
• RQ5 マルチリンク交通フロー予測に適用した場合、マルチタスク学習は単一タスク学習よりも効果的か？

主な発見

• 実世界のデータにおいて、マルチリンク単一タスク手法であるGL-NNは31リンク中22リンクでMMTLモデルを上回り、そのうち21リンクで統計的に有意な改善を示した。
• 提案された4つのモデル（SSTL、SMTL、MSTL、MMTL）の中で、GL-NNが最高の予測精度を達成した。これは、GLがネットワーク全体のデータから関連する依存関係を効果的に抽出できることを示している。
• t検定により、GL-NNがMMTLを有意に上回ることが確認され、GLに基づく特徴選択が共同マルチタスク最適化よりも優れていることが裏付けられた。
• ガウス過程回帰（GPR）は予測分布と不確実性の境界を提供する。ノイズ分散を低くすることで、予測区間が実際の値を完全に含むようになることが示され、耐障害性に優れた予測の可能性が浮き彫りになった。
• マルチリンク手法は一貫して単一リンクモデルを上回り、マルチタスク学習フレームワークは単一タスク学習よりも優れた結果をもたらした。これは、空間的および時間的相関を活用することの価値を裏付けた。