[論文レビュー] Road traffic reservoir computing

Hiroyasu Ando, Hanten Chang|arXiv (Cornell University)|Dec 2, 2019

Neural Networks and Reservoir Computing参考文献 4被引用数 5

ひとこと要約

本稿では、道路網における実際の交通ダイナミクスを物理的リザボアとして活用することで、低コストで物理的に実装された機械学習のための道路交通リザボアコンピューティングを提案する。密度フローと位相ダイナミクスを有するラティスベースの交通モデルを用いた数値シミュレーションにより、中程度の精度で交通密度および温度の予測が可能であることが示された。特に中程度のリザボアサイズおよび短～中程度の予測期間において顕著である。

ABSTRACT

Reservoir computing derived from recurrent neural networks is more applicable to real world systems than deep learning because of its low computational cost and potential for physical implementation. Specifically, physical reservoir computing, which replaces the dynamics of reservoir units with physical phenomena, has recently received considerable attention. In this study, we propose a method of exploiting the dynamics of road traffic as a reservoir, and numerically confirm its feasibility by applying several prediction tasks based on a simple mathematical model of the traffic flow.

研究の動機と目的

• 実世界の道路交通ダイナミクスをリザボアコンピューティングの物理的リザボアとして使用する可能性を検討すること。
• サイバースペースの計算に依存せず、物理的交通現象に処理をオフロードすることで計算コストを低減すること。
• LWRに基づく密度モデルおよびマルチエージェント最適速度モデルを含む、交通フローの簡略化された数学的モデルを用いて、概念の妥当性を検証すること。
• リザボアサイズ、予測期間、ネットワーク構成の変動に応じた予測性能を評価すること。

提案手法

• 交差点に交通信号を設けたN×Nラティスとして道路ネットワークをモデル化し、各信号の位相θiは離散時間動的システムに従う。
• 位相θiと流入u_i(t)の正弦関数を用いてリザボア単位の状態X¹i(t)およびX²i(t)を定義し、入力の非線形変換を形成する。
• フリーフロー時におけるフローが密度に比例する密度ベースの交通フロー・モデルを実装し、流入u_i(t)を隣接道路の密度から導出する。
• 各交差点で右折・左折・直進の流出確率を確率的に定義し、境界ノードは単純化のため除外する。
• リザボア状態を用いて、リッジ回帰で訓練された線形出力層により、交通密度または外部信号（例：都市の気温）を予測する。
• 簡略化された密度モデルおよび最適速度ルールを有するマルチエージェントモデルの両方を用い、複数回の試行において予測精度をテストする。

実験結果

リサーチクエスチョン

• RQ1 道路交通の複雑で集団的なダイナミクスは、機械学習タスクのための機能的リザボアとして機能できるか？
• RQ2 リザボアサイズ（割合pまたは道路数M）が交通フローのモデリングにおける予測精度に与える影響は何か？
• RQ3 交通ダイナミクスは、局所的密度に加え、都市の気温などの外部信号を中程度の精度で予測できるか？
• RQ4 予測期間Tがリザボアコンピューティングフレームワーク内の予測性能に与える影響は何か？
• RQ5 遅延予測が観察される理由は何か？また、出力モデルの改善によってこれを緩和できるか？

主な発見

• 予測精度はリザボアサイズに応じて向上し、中程度のリザボア割合（例：p = 0.5）が良好な性能を示す。一方、極めて小さなリザボアでは遅延または低精度の予測が生じる。
• 密度モデルでは、予測期間Tの増加に伴い精度が低下するが、T = 10ステップ（150分）まで予測は可能であり、平均的な結果では安定した性能を示す。
• N=3のマルチエージェントモデルにおいて、24本中20本の道路を訓練に使用した場合、4本の省略された道路の予測が中程度の精度で達成された。これは部分的データに対しても頑健であることを示唆する。
• システムはクローズドループ動作を達成している：リザボアに外部入力は不要であり、内部状態は交通ダイナミクスのみに従って進化する。
• 時系列が複雑であるか、τiの値が変動する場合には遅延予測が観察される。これは時系列の整合性に制限があることを示唆し、出力モデルの洗練によって解消可能である可能性がある。
• 本手法はフリーフローおよび混合フローの両状況で実現可能であり、リアルタイム交通データを用いた実世界への展開の可能性を支持する。