[論文レビュー] Origin-Destination Travel Time Oracle for Map-based Services

Lin Yan, Huaiyu Wan+5 more|arXiv (Cornell University)|Jul 6, 2023

Traffic Prediction and Management Techniques被引用数 5

ひとこと要約

本稿では、歴史的トラジェクトリを活用して正確かつ説明可能な移動時間推定を実現する、Origin-Destination Travel Time Oracle (ODT-Oracle) を構築するための2段階フレームワーク、DOT を提案する。この手法は、外れ値をフィルタリングしながら代表的な移動経路を推定する条件付きピクセル化トラジェクトリ（PiT）デノイザーを用い、その後にマスク付きビジョントランスフォーマー（MViT）を用いて高精度な移動時間推定を実現する。実世界のデータセットにおいて、精度、スケーラビリティ、説明可能性の面でベースラインを上回っている。

ABSTRACT

Given an origin (O), a destination (D), and a departure time (T), an Origin-Destination (OD) travel time oracle~(ODT-Oracle) returns an estimate of the time it takes to travel from O to D when departing at T. ODT-Oracles serve important purposes in map-based services. To enable the construction of such oracles, we provide a travel-time estimation (TTE) solution that leverages historical trajectories to estimate time-varying travel times for OD pairs. The problem is complicated by the fact that multiple historical trajectories with different travel times may connect an OD pair, while trajectories may vary from one another. To solve the problem, it is crucial to remove outlier trajectories when doing travel time estimation for future queries. We propose a novel, two-stage framework called Diffusion-based Origin-destination Travel Time Estimation (DOT), that solves the problem. First, DOT employs a conditioned Pixelated Trajectories (PiT) denoiser that enables building a diffusion-based PiT inference process by learning correlations between OD pairs and historical trajectories. Specifically, given an OD pair and a departure time, we aim to infer a PiT. Next, DOT encompasses a Masked Vision Transformer~(MViT) that effectively and efficiently estimates a travel time based on the inferred PiT. We report on extensive experiments on two real-world datasets that offer evidence that DOT is capable of outperforming baseline methods in terms of accuracy, scalability, and explainability.

研究の動機と目的

• 同じODペアと出発時刻に対して、マップベースのサービスにおける移動時間推定の不正確さを、外れ値トラジェクトリの影響によって解消すること。
• 歴史的トラジェクトリ内の空間的・時間的相関をモデル化することで、ODT-Oracleの精度と説明可能性を向上させること。
• 詳細な経路情報が不要な状態で、最も確率の高い移動経路（PiT）を推定し、移動時間を推定するスケーラブルなフレームワークの開発。
• ノイズや外れ値トラジェクトリの影響を低減するため、代表的なトラジェクトリパターンを学習することで、移動時間推定への影響を軽減すること。
• 可視化可能な推定されたPiT表現を通じて、高精度かつ解釈可能なモデルを提供すること。

提案手法

• ODペアと出発時刻から、歴史的トラジェクトリとOD入力の間の相関関係を学習することで、代表的なPiT（移動の空間的・時間的表現）を推定する条件付きピクセル化トラジェクトリ（PiT）デノイザーを提案する。
• PiTデノイザーは、ノイズがかかるPiTを段階的にデノイジングすることで、妥当で外れ値に強いトラジェクトリ表現を再構築する拡散モデルとして動作する。
• 推定されたPiTは、その後、空間的・時間的依存関係をPiT内にモデル化するマスク付きビジョントランスフォーマー（MViT）によって処理され、最終的な移動時間を推定する。
• MViTは、推定されたPiTにエンコードされた空間的レイアウトと時間オフセットに基づいて、移動時間を予測するようにエンドツーエンドで訓練される。
• フレームワークは2つの実世界トラジェクトリデータセット上で訓練・評価され、RMSE、MAE、ルート推定メトリクス（精度、再現率、F1）を用いて性能が測定される。
• 時間的変動を明示的に処理するため、出発時刻ごとの移動パターンの違いを学習し、時間に依存する移動時間推定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 拡散モデルは、ODペアと出発時刻から外れ値トラジェクトリをフィルタリングしながら、代表的な移動経路（PiT）を効果的に推定できるか？
• RQ2 推定されたPiTは、1日中の異なる時間帯における現実の移動行動の空間的・時間的パターンをどれほど正確に捉えられるか？
• RQ3 同じPiT入力を用いた場合、MViT部がベースラインモデルに比べて移動時間推定精度をどの程度向上させるか？
• RQ4 提案されたフレームワークは、既存のODT-Oracle手法に比べ、精度、スケーラビリティ、説明可能性の面で優れたパフォーマンスを達成できるか？
• RQ5 歴史的トラジェクトリの変動が著しい状況において、モデルは未観測のODペアや出発時刻に対してもどれほど一般化できるか？

主な発見

• DOTは、成都データセットでF1スコア88.280%、哈尔ビンデータセットで88.584%を達成し、ルート推定タスクでDijkstra（42.065%）やDeepST（56.911%）を大きく上回り、最先端の性能を達成した。
• 移動時間推定におけるRMSEはベースラインと比べて顕著に低く抑えられており、両方のデータセットで高い精度を示しており、トラジェクトリの変動に対しても頑健であることが示された。
• PiT推定段階は外れ値トラジェクトリを効果的に除去している：事例研究では、4つのトラジェクトリのうち1つが著しく長く（35分 vs. 15分）なっても、モデルは正常なPiTを正しく推定し、推定値への汚染を回避した。
• 推定されたPiTは、1日中の異なる時間帯における真値移動時間と密接に一致しており、図12では、モデルが時間帯に応じた交通状況を高い忠実度で捉えていることが示された。
• MViT部は、PiT内のグローバルな空間的・時間的依存関係を効率的かつ高精度にモデル化できており、経路ベースや平均化ベースの手法に比べて優れた移動時間予測を実現した。
• 可視化可能なPiTにより、モデルの説明可能性が向上し、特定のクエリに対して最も確率の高い移動経路を直感的かつ解釈可能な形で提供する。