[論文レビュー] Nonlinear Traffic Prediction as a Matrix Completion Problem with Ensemble Learning

Wenqing Li, Chuhan Yang+1 more|arXiv (Cornell University)|Jan 8, 2020

Traffic Prediction and Management Techniques参考文献 67被引用数 22

ひとこと要約

本稿では、信号交差点における高分解能（1秒ごと）交通予測のため、ブロック座標降下法とアンサンブル学習を組み合わせた新しい行列補完フレームワークを提案する。交通状態を低ランク行列としてモデル化し、適応的ブースティングを用いて履歴データを活用することで、非線形収束を達成し、最先端の精度を実現。RNNと同等の予測精度を維持しながら、計算効率に優れ、アブダビの実データにおいて優れた性能を示した。

ABSTRACT

This paper addresses the problem of short-term traffic prediction for signalized traffic operations management. Specifically, we focus on predicting sensor states in high-resolution (second-by-second). This contrasts with traditional traffic forecasting problems, which have focused on predicting aggregated traffic variables, typically over intervals that are no shorter than 5 minutes. Our contributions can be summarized as offering three insights: first, we show how the prediction problem can be modeled as a matrix completion problem. Second, we employ a block-coordinate descent algorithm and demonstrate that the algorithm converges in sub-linear time to a block coordinate-wise optimizer. This allows us to capitalize on the "bigness" of high-resolution data in a computationally feasible way. Third, we develop an ensemble learning (or adaptive boosting) approach to reduce the training error to within any arbitrary error threshold. The latter utilizes past days so that the boosting can be interpreted as capturing periodic patterns in the data. The performance of the proposed method is analyzed theoretically and tested empirically using both simulated data and a real-world high-resolution traffic dataset from Abu Dhabi, UAE. Our experimental results show that the proposed method outperforms other state-of-the-art algorithms.

研究の動機と目的

• 適応信号制御システムにおける短時間交通予測の課題に取り組むこと。
• 時間的・空間的相関を活用するため、高分解能交通予測を行列補完問題としてモデル化すること。
• 大規模交通データに対して非線形収束を達成する計算効率の高いブロック座標降下法を開発すること。
• 履歴データから周期的パターンを捉えるアンサンブル学習を用いて、学習誤差を任意の閾値まで低減すること。
• アブダビ国（アラブ首長国連邦）の実世界の高分解能交通データを用いて、本手法を実証的に検証し、最先端のベースラインと比較すること。

提案手法

• 時間的・空間的スケールにおける観測済みセンサー状態が部分的に観測された行列を形成するため、交通予測を低ランク行列補完問題として定式化する。
• 行列補完目的関数を最適化するために、ブロック座標降下（BCD）アルゴリズムを適用し、非線形時間内で収束を保証する。
• 過去の日付データを予測子として活用することで、反復的に予測を改善するアンサンブル学習（適応的ブースティング）フレームワークを導入する。
• 非線形交通ダイナミクスをモデル化するために、BCDフレームワーク内にカーネル回帰とスパース近似を組み込む。
• 履歴日をブースティング処理における弱学習器として用いることで、周期性を組み込み、パターンの捉えを強化する。
• シュール補完に基づく更新則を用いて行列補完目的関数を最適化し、計算スケーラビリティを確保する。

実験結果

リサーチクエスチョン

• RQ1 高分解能交通予測は、空間的・時間的相関を活用するために、行列補完問題として効果的にモデル化可能か？
• RQ2 提案されたブロック座標降下法は、大規模交通データに対して非線形収束を達成するか？
• RQ3 履歴データを用いたアンサンブル学習は、学習誤差を低減させ、1秒ごとの予測における周期的交通パターンを捉えることができるか？
• RQ4 本手法は、RNN や SVR といった最先端モデルと比較して、実世界の高分解能データにおいて、精度と計算効率の両面で優れているか？
• RQ5 本手法は未観測データにどの程度一般化可能であり、テスト誤差は学習誤差にどの程度近いか？

主な発見

• 提案された B-BCD 法は、実世界のアブダビデータにおいて、テスト精度が 0.8858 ± 0.0213（1 − dM1）および 0.9091 ± 0.0211（1 − ϵMAE）を達成し、BCD や SVR、TS-GLM を上回り、RNN とほぼ同等の性能を示した。
• ブロック座標降下法は非線形収束を示し、学習誤差とテスト誤差の曲線が急速に収束したため、良好な一般化性能が示された。
• 対応t検定の結果、1 − dM1 および 1 − ϵMAE の両指標において、B-BCD は BCD、SVR、TS-GLM よりも有意に優れていた（p < 0.05）。RNN との比較を除き、有意差は認められなかった。
• アンサンブル学習アプローチにより、学習誤差が任意の閾値まで低減され、履歴データを予測子として用いることで周期的パターンが効果的に捉えられた。
• RNN と同等の精度を達成したが、はるかに低い計算コストを実現したため、リアルタイムでの適応的交通制御に適した手法であった。
• 実証的結果から、アウトオブサンプル誤差は学習誤差と10%以内の差に留まり、良好な一般化性能が示された。