[論文レビュー] Short-term traffic prediction using physics-aware neural networks

Mike Pereira, Annika Lang+1 more|arXiv (Cornell University)|Sep 21, 2021

Traffic Prediction and Management Techniques参考文献 37被引用数 4

ひとこと要約

本論文では、離散化されたマクロスコピック交通流モデル（Traffic Reaction Model: TRM）とLSTMベースのパrameter推定を統合した物理知覚型再帰ニューラルネットワークを提案する。これにより、解釈可能な短期予測と、生のループ検知器データのノイズに配慮した平滑化が可能となる。平滑化されたフリックスと比較した場合、3ステップ予測ではMAPEが4.82%、10ステップ予測では8.02%を達成し、物理的に整合性のある予測と効果的なデータノイズ除去の両方を示している。

ABSTRACT

In this work, we propose an algorithm performing short-term predictions of the flux of vehicles on a stretch of road, using past measurements of the flux. This algorithm is based on a physics-aware recurrent neural network. A discretization of a macroscopic traffic flow model (using the so-called Traffic Reaction Model) is embedded in the architecture of the network and yields flux predictions based on estimated and predicted space-time dependent traffic parameters. These parameters are themselves obtained using a succession of LSTM ans simple recurrent neural networks. Besides, on top of the predictions, the algorithm yields a smoothing of its inputs which is also physically-constrained by the macroscopic traffic flow model. The algorithm is tested on raw flux measurements obtained from loop detectors.

研究の動機と目的

• ニューラルネットワークと物理的交通流モデルを統合することで、解釈可能性とロバスト性を向上させた短期交通フリックス予測手法の開発。
• 標準的なディープラーニングモデルのブラックボックス性を解消するため、マクロスコピック交通流モデル（TRM）をニューラルネットワークアーキテクチャに組み込むこと。
• 物理的制約を持つ統合フレームワークを用いて、一度の処理でノイズ低減（平滑化）と予測を同時に実行すること。
• センサー設置位置以外の空間的場所に対しても、全道路セグメントにわたるフリックス推定と予測を生成することで、データ拡張を可能にすること。
• 実世界のオランダの高速道路のループ検知器から得た生のフリックス測定値を用いて、平滑化済みデータおよび生データの両方で手法の有効性を検証すること。

提案手法

• 本手法は二段階のアーキテクチャを採用する。まず、過去のフリックス測定値から時間変動するパrameter（例：自由流れ速度、停止密度）をLSTMネットワークが推定する。
• これらの推定パrameterが、マクロスコピック交通流モデルである離散化されたTraffic Reaction Model（TRM）に供給され、全道路セグメントにわたるフリックス推定値と予測値が計算される。
• TRMの離散化により、すべてのフリックス予測および平滑化出力がマクロスコピック交通ダイナミクスと物理的に整合するよう保証される。
• モデルは、物理的モデルに根ざした平滑化と、統合されたフレームワーク内での未来予測を同時に実行する。
• アーキテクチャはエンドツーエンドで学習され、物理的モデルがニューラルネットワーク出力の微分可能制約として機能する。
• TRMを道路領域全体で数値的に解くことにより、直接測定がない場所に対しても、空間的に連続したフリックス推定と予測が可能になる。

実験結果

リサーチクエスチョン

• RQ1 標準的なブラックボックスモデルと比較して、物理知覚型ニューラルネットワークアーキテクチャは、短期交通フリックス予測における解釈可能性とロバスト性を向上させることができるか？
• RQ2 マクロスコピック交通流モデル（TRM）は、物理的に整合性のある予測と平滑化を保証するために、ディープラーニングフレームワークに効果的に統合可能か？
• RQ3 生データおよび平滑化済みデータの両方で評価した場合、提案手法の性能は標準的なディープラーニングモデルと比べてどの程度優れているか？
• RQ4 物理的妥当性を全道路セグメントにわたって維持しつつ、ノイズ低減と将来予測を同時に実行できるか？
• RQ5 ニューラルネットワークアーキテクチャに物理的モデルを統合することで、一般化性能が向上し、ハイパーパrameterチューニングへの感受性が低下するか？

主な発見

• 提案手法は、平滑化されたフリックスと比較して、3ステップ予測のMAPEが4.82%に達し、高い予測精度を示している。
• 10ステップ予測では、平滑化されたフリックスに対してMAPEが8.02%に達し、長時間予測でも一貫性のある性能を示している。
• アルゴリズムは生のフリックス測定値を効果的に平滑化し、外部の前処理を必要とせずにノイズを低減しながら物理的整合性を保持している。
• 予測誤差はセンサーから離れた境界領域で最も高く、観測された境界でピークに達しており、測定データに局所的に適合していることが示唆される。
• センサー設置位置以外の場所に対しても、物理的に妥当なフリックス推定値と予測値を全道路セグメントにわたって生成でき、空間的データ拡張が可能である。
• 標準的なディープラーニングモデルと比較して、平滑化済みデータでは同等の性能を示すが、解釈可能性と物理的根拠の面で優れている。