[論文レビュー] Traffic Flow Combination Forecasting Method Based on Improved LSTM and ARIMA

Boyi Liu, Xiangyan Tang+2 more|arXiv (Cornell University)|Jun 25, 2019

Traffic Prediction and Management Techniques被引用数 5

ひとこと要約

本稿では、修正された長短期記憶（LSTM）ネットワークと時系列モデルのARIMAを組み合わせることで、交通流予測の精度を向上させる改善されたSDLSTM-ARIMAハイブリッドモデルを提案する。ドロップアウトモジュール内に交通データの時間的特異性比を導入し、不均等な間隔での予測の動的統合を実施することで、単体のLSTMやARIMAモデルよりも高い安定性と精度を達成しており、マルチ言語対応の組み込みシステムでも実証された性能を示している。

ABSTRACT

Traffic flow forecasting is hot spot research of intelligent traffic system construction. The existing traffic flow prediction methods have problems such as poor stability, high data requirements, or poor adaptability. In this paper, we define the traffic data time singularity ratio in the dropout module and propose a combination prediction method based on the improved long short-term memory neural network and time series autoregressive integrated moving average model (SDLSTM-ARIMA), which is derived from the Recurrent Neural Networks (RNN) model. It compares the traffic data time singularity with the probability value in the dropout module and combines them at unequal time intervals to achieve an accurate prediction of traffic flow data. Then, we design an adaptive traffic flow embedded system that can adapt to Java, Python and other languages and other interfaces. The experimental results demonstrate that the method based on the SDLSTM - ARIMA model has higher accuracy than the similar method using only autoregressive integrated moving average or autoregressive. Our embedded traffic prediction system integrating computer vision, machine learning and cloud has the advantages such as high accuracy, high reliability and low cost. Therefore, it has a wide application prospect.

研究の動機と目的

• 既存の交通流予測モデルの限界、すなわち低い安定性、高いデータ要求、低い適応性を解消すること。
• 深層学習（LSTM）と統計的時系列モデリング（ARIMA）の長所を統合することで、予測精度を向上させること。
• 複数のプログラミング言語およびクラウド環境と互換性がある、強固で適応性のある組み込みシステムを開発すること。
• 大規模データセットへの依存を低減しながら、さまざまな交通状況下でも高い予測信頼性を維持すること。

提案手法

• 著者らは、ドロップアウトモジュール内に時間的特異性比という指標を導入し、交通データの不規則性を評価し、モデルの頑健性を向上させた。
• 時間的特異性比を正則化信号として活用することで、一時的異常に対応できるように改良されたLSTMの変種、すなわちSDLSTMを設計した。
• SDLSTMモデルとARIMAモデルを、非均等な時間間隔での統合戦略によって統合し、予測精度を向上させた。
• 統合メカニズムは、時間的不確実性に基づいて両モデルからの予測を適応的に重み付けし、多様な交通パターンにおいても安定性を向上させた。
• JavaおよびPythonインターフェースを用いた組み込み予測システムを実装し、異種コンピューティング環境への展開を可能にした。
• リアルタイムでスケーラブルな交通流予測を実現するため、コンピュータビジョン、機械学習、クラウドコンピューティングを統合した。

実験結果

リサーチクエスチョン

• RQ1 深層学習と統計的時系列モデルを効果的に統合することで、交通流予測の精度をどのように向上させられるか？
• RQ2 時間的データ特異性は、モデルの頑健性と予測安定性を向上させるために果たす役割は何か？
• RQ3 実世界の交通流予測シナリオにおいて、ハイブリッドSDLSTM-ARIMAモデルは単体のLSTMやARIMAモデルを上回る性能を示せるか？
• RQ4 予測システムをどのようにして異なるプログラミング環境やデプロイプラットフォームに対応可能にするか？
• RQ5 非均等な時間間隔統合が、モデルのパフォーマンスと信頼性に与える影響は何か？

主な発見

• SDLSTM-ARIMAモデルは、ARIMAや自己回帰手法を単独で使用するモデルよりも高い予測精度を達成した。
• ドロップアウトモジュール内に時間的特異性比を統合することで、不規則な交通データに対するモデルの安定性が向上し、過学習が低減した。
• ハイブリッドモデルは、変動する交通パターンやデータ品質の条件に対しても優れた適応性を示した。
• 組み込みシステムはマルチ言語デプロイメント（例：Java、Python）をサポートしており、実世界の応用において低コストで高信頼性の予測が可能である。
• コンピュータビジョン、機械学習、クラウドインfraストラクチャの統合により、スケーラブルでリアルタイムの交通流予測が高パフォーマンスで実現された。