[論文レビュー] Neural Networks Model for Travel Time Prediction Based on ODTravel Time Matrix

Ayobami Adewale, Amnir Hadachi|arXiv (Cornell University)|Apr 8, 2020

Human Mobility and Location-Based Analysis参考文献 11被引用数 4

ひとこと要約

本研究では、GPSデータから得られる出発地・目的地（O-D）移動時間行列を用いた、ニューラルネットワークベースの移動時間予測モデルを提案する。マルチレイヤーパーセプトロン（MLP）と長短期記憶（LSTM）ネットワークを比較した結果、両モデルともに高い精度を達成しているが、LSTMは観測された移動時間のフィッティングにおいてMLPを上回っている。一方、予測期間が延びるにつれて、LSTMはノイズに対してますます感受性を示すことが判明した（例：2ステップ予測）。

ABSTRACT

Public transportation system commuters are often interested in getting accurate travel time information to plan their daily activities. However, this information is often difficult to predict accurately due to the irregularities of road traffic, caused by factors such as weather conditions, road accidents, and traffic jams. In this study, two neural network models namely multi-layer(MLP) perceptron and long short-term model(LSTM) are developed for predicting link travel time of a busy route with input generated using Origin-Destination travel time matrix derived from a historical GPS dataset. The experiment result showed that both models can make near-accurate predictions however, LSTM is more susceptible to noise as time step increases.

研究の動機と目的

• 歴史的GPSデータから導出されたO-D移動時間行列を用いた、公共交通機関のリンク移動時間予測のためのニューラルネットワークモデルの開発。
• 移動時間予測におけるマルチレイヤーパーセプトロン（MLP）と長短期記憶（LSTM）ネットワークの予測精度の比較。
• 短距離移動（短い移動時間）と長距離移動（長い移動時間）の違い、およびピーク時と非ピーク時の時間帯におけるモデル性能の評価。
• 時間ステップを増加させることによるLSTMモデルのロバストネスとノイズ感受性への影響の調査。
• インテリジェント交通システムにおけるリアルタイム移動時間推定の向上に向けたディープラーニングモデルの可能性の探求。

提案手法

• 公共交通バス路線の歴史的GPS軌跡データから、出発地・目的地（O-D）移動時間行列を構築した。
• モデルの汎化性能を確保するため、データセットを70％訓練用、15％検証用、15％テスト用に分割した。
• 入力ニューロン5個、2層の隠れ層（12および50ニューロン）および出力ニューロン1個を持つマルチレイヤーパーセプトロン（MLP）を設計した。
• 入力ニューロン3個、2層の隠れ層（80および100ニューロン）および出力ニューロン1個を持つLSTMモデルを設計し、Adam最適化法とバッチサイズ3を用いた。
• モデル性能を評価するため、決定係数（RMSE）を用いた。RMSEは $ \text{RMSE} = \sqrt{\frac{1}{z} \sum (tt^{j}_{a,b} - TT^{j}_{a,b})^2} $ で定義され、$ z $ はテストサンプル数を表す。
• MLPは1,000エポック、LSTMは2,000エポックをそれぞれadaGradおよびAdam最適化法を用いて学習した。

実験結果

リサーチクエスチョン

• RQ1 GPSデータから得たO-D移動時間行列を用いて学習したMLPおよびLSTMモデルは、リンク移動時間をどの程度正確に予測できるか？
• RQ2 LSTMモデルは、移動時間系列における時間的依存性をMLPモデルよりも効果的に捉えられるか？
• RQ3 短距離移動（0–35分）と長距離移動（35分以上）の間で、予測精度はどのように変化するか？
• RQ4 ピーク時と非ピーク時の時間帯は、両モデルの予測性能にどのように影響するか？
• RQ5 時間ステップを1ステップから2ステップに増加させることで、LSTMモデルのロバストネスとノイズ感受性はどのように変化するか？

主な発見

• MLPモデルは、短距離移動で1.17–1.20分、長距離移動で2.48–2.61分のRMSEを達成し、ピーク時と非ピーク時の間で変動が最小限に抑えられた。
• LSTMモデルは、特にピーク時と非ピーク時の両期間において、観測された移動時間の時間的パターンをMLPよりも優れたフィッティングで捉えていた。
• 2ステップ予測では、LSTMモデルの性能が著しく低下した。これは、誤差の蓄積に起因し、予測期間が長くなるとノイズに対して感受性が高まることを示している。
• 30分以上の移動時間を持つ旅程では、両モデルともに予測誤差が10％未満に保たれており、長時間移動の予測において優れた性能を示していた。
• LSTMモデルは全体的な予測精度でMLPを上回ったが、1ステップを超えての予測ではノイズの伝搬に起因して性能が低下した。
• 本研究は、LSTMのようなディープラーニングモデルが移動時間予測に有効であることを確認したが、予測期間が長くなるとノイズに感受性が高まることから、これが依然として重要な制限要因であると示している。