[論文レビュー] Spatiotemporal Recurrent Convolutional Networks for Traffic Prediction in Transportation Networks

Haiyang Yu, Zhihai Wu+3 more|arXiv (Cornell University)|May 7, 2017

Traffic Prediction and Management Techniques参考文献 39被引用数 7

ひとこと要約

本稿では、空間的依存関係のモデリングに畳み込みニューラルネットワーク（CNN）と時間的ダイナミクスのモデリングに長短期記憶（LSTM）ネットワークを組み合わせた、大規模な交通ネットワーク全体の交通速度を予測する深層学習モデル、Spatiotemporal Recurrent Convolutional Networks（SRCNs）を提案する。北京の278本のリンクからなるネットワークで評価された結果、SRCNsは短期的および長期的交通予測の両方において、既存の深層学習手法を上回り、実世界のデータにおいて優れた精度と一般化性能を示した。

ABSTRACT

Predicting large-scale transportation network traffic has become an important and challenging topic in recent decades. Inspired by the domain knowledge of motion prediction, in which the future motion of an object can be predicted based on previous scenes, we propose a network grid representation method that can retain the fine-scale structure of a transportation network. Network-wide traffic speeds are converted into a series of static images and input into a novel deep architecture, namely, spatiotemporal recurrent convolutional networks (SRCNs), for traffic forecasting. The proposed SRCNs inherit the advantages of deep convolutional neural networks (DCNNs) and long short-term memory (LSTM) neural networks. The spatial dependencies of network-wide traffic can be captured by DCNNs, and the temporal dynamics can be learned by LSTMs. An experiment on a Beijing transportation network with 278 links demonstrates that SRCNs outperform other deep learning-based algorithms in both short-term and long-term traffic prediction.

研究の動機と目的

• 複雑な交通ネットワークにおける大規模交通予測の正確性を向上させること。
• 道路リンク間の空間的依存関係と交通フローの時間的ダイナミクスを同時にモデリングすること。
• ネットワーク全体の交通状態をグリッドベースの表現として活用する深層学習フレームワークを構築し、予測精度を向上させること。
• 短期的および長期的交通予測タスクにおいて、既存の深層学習モデルを上回ること。

提案手法

• ネットワーク全体の交通速度が、細かい空間的構造を保持するように静的グリッド画像に変換される。
• 畳み込みニューラルネットワーク（CNN）がグリッド表現からの空間的特徴を抽出するために適用される。
• 長短期記憶（LSTM）ネットワークが、空間的特徴の時系列を処理し、時間的変化をモデリングする。
• 統合アーキテクチャであるSRCNは、CNNによる空間モデリングとLSTMによる時間的シーケンス学習を統合する。
• モデルは、履歴交通速度データの予測誤差を最小化するために、バックプロパゲーションを用いてエンドツーエンドで訓練される。
• グリッド表現手法により、空間的連続性と細粒度のネットワークトポロジー認識が保証される。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、大規模交通ネットワークにおける空間的および時間的依存関係を効果的に捉えることができるか？
• RQ2 提案されたSRCNアーキテクチャは、既存の深層学習モデルと比較して、交通予測精度で優れているか？
• RQ3 モデルは、長期予測を含むさまざまな予測時間窓に対して、どの程度一般化できるか？
• RQ4 グリッドベースの表現は、正確な予測に必要な重要な空間的関係を保持しているか？

主な発見

• SRCNsは、北京交通ネットワークにおける短期的および長期的交通予測タスクで、最先端の性能を達成した。
• 標準的なRNN、LSTM、CNN-LSTMハイブリッドモデルなど、他の深層学習ベースラインと比較して、予測精度の面で優れた性能を示した。
• 空間的CNNと時間的LSTMの統合により、複雑な空間時間的交通パターンの効果的なモデリングが可能になった。
• グリッド表現手法は、細粒度の空間的構造を効果的に保持しており、モデル性能の向上に寄与した。
• SRCNsは、さまざまな予測時間窓にわたり、強固で一般化可能な性能を示し、実運用への適性を確認した。