[論文レビュー] Road Network Guided Fine-Grained Urban Traffic Flow Inference

Lingbo Liu, Mengmeng Liu+4 more|arXiv (Cornell University)|Sep 29, 2021

Traffic Prediction and Management Techniques参考文献 8被引用数 5

ひとこと要約

本稿では、粗いセンサーデータから詳細な都市交通フローを推定するために道路網構造を事前知識として活用する深層学習モデルであるRoad-Aware Traffic Flow Magnifier (RATFM) を提案する。多方向1次元畳み込みを用いた道路特徴抽出と、長距離依存関係を捉えるトランスフォーマー型モジュールにより、3つの実世界データセットで最先端の性能を達成し、従来手法と比較してMAPEを最大16.83%低減した。

ABSTRACT

Accurate inference of fine-grained traffic flow from coarse-grained one is an emerging yet crucial problem, which can help greatly reduce the number of the required traffic monitoring sensors for cost savings. In this work, we notice that traffic flow has a high correlation with road network, which was either completely ignored or simply treated as an external factor in previous works. To facilitate this problem, we propose a novel Road-Aware Traffic Flow Magnifier (RATFM) that explicitly exploits the prior knowledge of road networks to fully learn the road-aware spatial distribution of fine-grained traffic flow. Specifically, a multi-directional 1D convolutional layer is first introduced to extract the semantic feature of the road network. Subsequently, we incorporate the road network feature and coarse-grained flow feature to regularize the short-range spatial distribution modeling of road-relative traffic flow. Furthermore, we take the road network feature as a query to capture the long-range spatial distribution of traffic flow with a transformer architecture. Benefiting from the road-aware inference mechanism, our method can generate high-quality fine-grained traffic flow maps. Extensive experiments on three real-world datasets show that the proposed RATFM outperforms state-of-the-art models under various scenarios. Our code and datasets are released at {\url{https://github.com/luimoli/RATFM}}.

研究の動機と目的

• 限られた粗いセンサーデータから高解像度の交通フローマップを生成する課題に対処すること。
• 交通フローと道路網の構造的相関を事前知識として活用し、推論精度を向上させること。
• 道路に配慮したメカニズムを用いて、交通フローの短距離および長距離の空間的依存関係をモデル化すること。
• リアルタイムの都市交通モニタリングに適した、精度と効率の両立を図る手法の開発。

提案手法

• 高解像度の地理的マップから、多方向1次元畳み込み層を用いて意味的な道路網特徴を抽出する。
• 道路網特徴と粗い交通フロー特徴を統合し、短距離空間的分布のモデリングを正則化する。
• トランスフォーマー型モジュールが道路網特徴をクエリとして用い、交通フローの長距離空間的依存関係を捉える。
• 時間や天候などの外部要因は、専用のモデリングモジュールを介して統合され、時間的一般化性能が向上する。
• 微細なフローパターン予測のため、L1およびL2正則化を組み合わせたマルチタスク損失関数を用いて、エンドツーエンドでモデルを訓練する。
• 残差ブロックとアテンションメカニズムを組み合わせることで、空間的構造を保持しながら特徴表現を強化する。

実験結果

リサーチクエスチョン

• RQ1 道路網構造を事前知識として効果的に活用することで、微細な交通フロー推定の性能向上が図れるか？
• RQ2 細く細長い形状をとる道路網を、標準的な2次元畳み込みよりも効果的にモデル化する方法は何か？
• RQ3 長距離交通フロー依存関係を捉えるために、トランスフォーマーモジュールの最適な構成は何か？
• RQ4 道路に配慮した特徴の統合が、多様な都市環境における性能に与える影響は何か？
• RQ5 提案手法は、限られた歴史的データを持つ実世界の交通予測タスクにも一般化可能か？

主な発見

• RATFMはTaxiBJ-P1データセットでMAPEが16.83%と、すべての最先端手法を上回る最低水準を記録した。
• RATFMは、TaxiBJ-P1データセットで最良のベースラインと比較して、MAPEを最大16.83%低減した。
• 8つのアテンションヘッドと2層のトランスフォーマー構成が最良の性能を発揮し、ヘッド数や層数をさらに増やすと性能が低下した。
• RATFMはXiAnデータセットで32.99%、ChengDuデータセットで27.84%のMAPEを達成し、比較対象のすべてのモデルを上回った。
• RATFMの推論時間は、XiAn&ChengDuで16.73ms、TaxiBJ-P1で24.94msであり、リアルタイム応用に適している。
• アブレーションスタディの結果、道路網の事前知識が性能向上に顕著に寄与しており、特に信号が弱い粗いデータ環境下で顕著であった。