[論文レビュー] Traffic congestion anomaly detection and prediction using deep learning

Adriana‐Simona Mihăiţă, Haowen Li+1 more|arXiv (Cornell University)|Jun 23, 2020

Traffic Prediction and Management Techniques参考文献 20被引用数 14

ひとこと要約

本論文は、シドニーの208か所の高速道路監視ステーションで収集された3634万件のデータポイントから得られる空間時間的特徴を用いて、リアルタイムでの交通混雑異常検出と予測を目的としたディープラーニングフレームワークを提案する。異常検出とCNN-LSTM、BPNN、LSTMモデルの統合により、異常調整が精度を向上させ、必要な歴史的データ量を削減することを示した。LSTMはハイブリッドモデルを上回り、流量ベースの特徴量が最も優れた予測をもたらした。

ABSTRACT

Congestion prediction represents a major priority for traffic management centres around the world to ensure timely incident response handling. The increasing amounts of generated traffic data have been used to train machine learning predictors for traffic, however, this is a challenging task due to inter-dependencies of traffic flow both in time and space. Recently, deep learning techniques have shown significant prediction improvements over traditional models, however, open questions remain around their applicability, accuracy and parameter tuning. This paper brings two contributions in terms of: 1) applying an outlier detection an anomaly adjustment method based on incoming and historical data streams, and 2) proposing an advanced deep learning framework for simultaneously predicting the traffic flow, speed and occupancy on a large number of monitoring stations along a highly circulated motorway in Sydney, Australia, including exit and entry loop count stations, and over varying training and prediction time horizons. The spatial and temporal features extracted from the 36.34 million data points are used in various deep learning architectures that exploit their spatial structure (convolutional neuronal networks), their temporal dynamics (recurrent neuronal networks), or both through a hybrid spatio-temporal modelling (CNN-LSTM). We show that our deep learning models consistently outperform traditional methods, and we conduct a comparative analysis of the optimal time horizon of historical data required to predict traffic flow at different time points in the future. Lastly, we prove that the anomaly adjustment method brings significant improvements to using deep learning in both time and space.

研究の動機と目的

• 高い時間的・空間的依存性を示す大規模で複雑な高速道路ネットワークにおける交通混雑予測の課題に対処する。
• リアルタイム交通ストリームにおけるデータ異常の検出と調整を通じて、予測精度を向上させる。
• ディープラーニングモデルにおいて、過去の歴史的データと将来の予測期間の間の最適なバランスを特定する。
• 複数の交通データソース（流量、速度、占有率）を用いた、LSTM、CNN、BPNN、ハイブリッドCNN-LSTMなどのさまざまなディープラーニングアーキテクチャの性能を評価する。
• 気象や事故などの追加データソースを統合することで予測性能が向上するかを検証し、データ効率性とモデルの頑健性に注目する。

提案手法

• リアルタイム交通データストリームの前処理として、流入データと歴史的データストリームを用いた異常検出および異常調整手法を適用し、モデル学習の前にデータをクリーニングする。
• シドニーの48kmの高速道路に設置された208か所の監視ステーションで収集された3634万件の交通データポイントから、空間的および時間的特徴を抽出する。
• LSTMによる時間的ダイナミクスのモデル化、CNNによる空間的構造のモデル化、BPNNによるベースライン性能の評価、ハイブリッドCNN-LSTMによる空間時間的モデリングを実装し、複数のディープラーニングモデルを比較する。
• 過去の期間（R）と将来の予測期間（P）を変化させた感度分析を実施し、最適な学習および予測ウィンドウ長を特定する。
• 流量、速度、占有率の個々のデータストリームおよびその組み合わせを用いてモデルを学習させ、特徴量の重要性とモデルの頑健性を評価する。
• RMSE、MAE、MAPEを評価指標として用い、異なる構成およびデータ条件におけるモデル性能を定量的に比較する。

実験結果

リサーチクエスチョン

• RQ1 異常検出およびデータクリーニングは、交通混雑予測におけるディープラーニングモデルの精度と効率性にどのように影響するか？
• RQ2 高速道路流量予測において、異なるディープラーニングアーキテクチャに対して最適な過去の歴史的データ（R）と将来の予測期間（P）の組み合わせは何か？
• RQ3 LSTM、CNN、BPNN、またはハイブリッドCNN-LSTMのうち、どのディープラーニングモデルがマルチステーション交通流量予測において最も優れた予測性能を示すか？
• RQ4 異なる入力特徴量（流量、速度、占有率）はモデルの精度にどのように影響し、どの組み合わせが最も頑健な予測をもたらすか？
• RQ5 異常調整済みのクリーンなデータを用いることで、予測精度を損なわず、必要な歴史的データ長をどの程度短縮できるか？

主な発見

• LSTMモデルが評価されたすべてのモデルの中で最も優れた予測性能を示し、より複雑なハイブリッドCNN-LSTMアーキテクチャを上回った。
• 異常検出とデータ調整は、予測精度を顕著に向上させるとともに、必要な歴史的データ長を短縮した。異常調整により、同程度の性能を達成するための過去データ量が削減された。
• 予測期間が15分を超える場合（P=5）、最適な過去期間（R）は短縮に収束した。例えば、LSTMはP=8（24分）の予測において、異常補正前は130分（R=26）の履歴が必要だったが、異常補正後は48分（R=16）で十分であった。
• 流量データのみで学習した場合、誤差指標が最小（MAPE=13.25、RMSE=193.28）となり、流量と占有率の組み合わせもそれに次ぐ結果を示した。速度データのみで学習した場合、流量との相関が高く、時間帯効果が顕著なため、最も悪い結果となった。
• CNNの性能は、長い履歴データウィンドウで低下した。これは、空間モデルがデータ長に敏感であり、過去データが多すぎると過学習を引き起こす可能性があることを示唆している。
• ハイブリッドCNN-LSTMモデルは、単体のLSTMに比べて性能が劣った。これは、この文脈ではモデルの複雑さが必ずしも予測精度の向上に繋がらないことを示している。