[論文レビュー] Traffic Congestion Prediction Using Machine Learning Techniques

Rafed Muhammad Yasir, Asad, Moumita+2 more|arXiv (Cornell University)|Jun 22, 2022

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本稿では、時間、週の曜日、天候要因（気温、湿度、風速など）を組み込んだ、径数基底関数（RBF）カーネルを用いたサポートベクターレグレッション（SVR）を用いた長期交通渋滞予測モデルを提案する。ニューデリーの交通データを用いて評価した結果、平均RMSEが1.12に達し、限られたデータセットという制限はあるが、予防的交通管理の実現可能性を示している。

ABSTRACT

The prediction of traffic congestion can serve a crucial role in making future decisions. Although many studies have been conducted regarding congestion, most of these could not cover all the important factors (e.g., weather conditions). We proposed a prediction model for traffic congestion that can predict congestion based on day, time and several weather data (e.g., temperature, humidity). To evaluate our model, it has been tested against the traffic data of New Delhi. With this model, congestion of a road can be predicted one week ahead with an average RMSE of 1.12. Therefore, this model can be used to take preventive measure beforehand.

研究の動機と目的

• 時間、週の曜日、天候状態を考慮した長期渋滞予測モデルの開発を目的とする。
• 気象要因を無視するなど、短時間予測に特化した既存のモデルに対する改善を目的とする。
• ニューデリーの実際の交通および天候データを用いて、モデルの性能を評価することを目的とする。
• 時間的要因と気象的要因の組み合わせが、渋滞予測精度に与える影響を特定することを目的とする。
• 機械学習を用いたスケーラブルでデータ駆動型の交通管理システムの基盤を構築することを目的とする。

提案手法

• モデルは、入力特徴量を高次元空間にマップすることで非線形回帰を実現する、径数基底関数（RBF）カーネルを用いたサポートベクターレグレッション（SVR）を採用する。
• 入力特徴量には、道路名、時間帯、週の曜日、気温、湿度、風速、日照時間、速度比（現在速度と平均速度の比）が含まれる。
• 応答変数は「混雑要因」として定義され、0.0（自由通行）から10.0（深刻な渋滞）までの正規化渋滞レベルを表す。
• データは2019年4月15日から28日までの2週間、HERE APIから5分間隔で収集され、1週目を訓練用、2週目をテスト用に使用した。
• モデルの性能は、$ RMSE = \left[ \frac{1}{n} \sum_{i=1}^{n} (|f_i - \hat{f}_i|)^2 \right]^{1/2} $ として計算される平均二乗誤差（RMSE）を用いて評価された。
• 本モデルは、アダプティブウィンドウリングを用いたSVRを採用する短時間予測手法AMWRと比較された。

実験結果

リサーチクエスチョン

• RQ1 時間、週の曜日、天候データを統合した機械学習モデルが、1週間先までの渋滞を十分な精度で予測できるか。
• RQ2 気温、湿度、風速などの天候要因が、渋滞予測性能にどのように影響を与えるか。
• RQ3 データセットのサイズが、長期渋滞予測モデルの一般化性能および精度に与える影響は何か。
• RQ4 提案されたSVRベースのモデルは、AMWRのような既存の短時間予測モデルと比較して、RMSEおよび予測期間においてどのように異なるか。
• RQ5 時間的要因と気象的要因を併用することで、従来の時間ベースのモデルに比べて、渋滞予測精度がどの程度向上するか。

主な発見

• 提案モデルは、ニューデリーの4か所のテスト地点において平均RMSEが1.12を記録し、長期渋滞予測において中程度の予測精度を示した。
• 最低RMSEは場所1で0.893、最高は場所3および4でそれぞれ1.234および1.233であった。
• 低いRMSE値を示したものの、AMWRモデルはすべての場所で本手法を上回り、RMSEは0.521から1.939の範囲であったが、これは短時間予測（最大15分先）に限ったものであった。
• モデルの性能は、訓練およびテストデータセットのサイズが小さいことに起因しており、データ量が予測精度に顕著に影響していることが示された。
• 気温、湿度、風速などの天候要因を組み込むことでモデルの頑健性が向上したが、データ不足の影響を完全に相殺するには至らなかった。
• 本研究は、時間的要因と気象的要因を統合することで、長期渋滞予測の精度が向上することを確認した。中程度のRMSEであっても、今後の研究ではより大規模なデータセットの必要性を裏付けている。