[論文レビュー] Traffic Forecasting using Vehicle-to-Vehicle Communication

Steven Wong, Lejun Jiang+4 more|arXiv (Cornell University)|Apr 12, 2021

Traffic Prediction and Management Techniques参考文献 11被引用数 5

ひとこと要約

本稿では、実際の車両間通信（V2V）データを用いて学習されたResLSTM-FCニューラルネットワークを用いて、ニューエルの第一原理的車両追従モデルと残差誤差予測を組み合わせたハイブリッド交通予測モデルを提案する。この手法は、純粋な第一原理的モデルやディープラーニングのベースラインと比較して、速度予測誤差を著しく低減し、40秒先の予測において平均誤差を最大で12%まで低減する。また、接続された車両におけるリアルタイムのオンボード予測を可能にする。

ABSTRACT

We take the first step in using vehicle-to-vehicle (V2V) communication to provide real-time on-board traffic predictions. In order to best utilize real-world V2V communication data, we integrate first principle models with deep learning. Specifically, we train recurrent neural networks to improve the predictions given by first principle models. Our approach is able to predict the velocity of individual vehicles up to a minute into the future with improved accuracy over first principle-based baselines. We conduct a comprehensive study to evaluate different methods of integrating first principle models with deep learning techniques. The source code for our models is available at https://github.com/Rose-STL-Lab/V2V-traffic-forecast .

研究の動機と目的

• V2V通信データのみを用いて、個々の車両におけるリアルタイムでオンボードの交通予測を可能にすること。
• 第一原理モデルのみで達成可能な範囲を超えて、人間の行動のばらつきやノイズを捉えることにより、予測精度を向上させること。
• 速度や流量の分布的シフトを含む多様な交通状況においても一般化性の高い方法を開発すること。
• 物理的ベースのモデルとデータ駆動型のディープラーニングを統合し、強固で正確かつ解釈可能な交通予測を実現すること。
• 自然な交通状況下で接続された車両から収集された実世界のV2Vデータセットを用いて、手法の妥当性を検証すること。

提案手法

• 本手法は、先行車両のデータに基づいて将来の車両速度のベースライン予測を生成するために、ニューエルの車両追従モデルを用いる。
• ニューエル予測と実際の観測速度との間の残差誤差を計算し、それを残差LSTM（ResLSTM）ネットワークに加え、全結合ヘッド（ResLSTM-FC）を用いてモデル化する。
• ResLSTM-FCネットワークはニューエル予測を入力として受け取り、誤差を学習して予測し、それをベースラインに加算することで最終的な予測を生成する。
• モデルは、1分間の予測を目的とした、先行車両の過去の位置と速度の系列を入力として、接続された車両の生のGPSデータ上でエンドツーエンドに学習される。
• 標準LSTMや全結合ネットワークを含む複数のアーキテクチャを評価し、残差学習および第一原理統合の貢献を分離するためのアブレーションスタディを実施する。
• 分布的シフトのテストとして、混雑した交通状況で学習し、自由流れの状況でテストすることで一般化性を検証する。

実験結果

リサーチクエスチョン

• RQ1 第一原理交通モデルとディープラーニングを組み合わせたハイブリッドモデルは、純粋なベースラインと比較して、オンボード交通予測の精度を向上させることができるか？
• RQ2 学習されたモデルからの残差誤差予測を統合することで、ニューエルのモデルのような物理的ベースのベースラインの性能はどのように向上するか？
• RQ3 本手法は、混雑状態と自由流れ状態のような異なる交通レジームにおいて、どの程度一般化できるか？
• RQ4 第一原理予測とディープラーニングを統合するための最適なアーキテクチャは何か？
• RQ5 学習データとは異なるデータ分布でテストした場合でも、モデルは頑健性を維持できるか？

主な発見

• ResLSTM-FCモデルは、40秒先の予測において平均速度誤差が2.61 m/s ± 0.16と最低となり、一定速度ベースライン（2.25 m/s）およびニューエルモデル（2.96 m/s）を上回った。
• 10秒先では、ResLSTM-FCモデルの速度誤差は2.19 m/s ± 0.29であり、ニューエルモデルの2.86 m/sよりも顕著に低かった。
• 純粋なディープラーニングベースラインと比較して、時間経過に伴う誤差の増加が遅やかであり、長期的な安定性に優れていることが示された。
• 分布的シフト（混雑した交通状況で学習し、自由流れ状況でテスト）の下でも、ResLSTM-FCモデルは合理的な性能を維持し、40秒先の誤差が4.16 m/s ± 0.48となった。これは、この状況下で純粋なディープラーニングモデルを上回った。
• アブレーションスタディにより、ニューエルモデルに残差誤差学習を統合することが、性能向上の鍵であることが確認された。単にディープラーニングを用いる、または単純なアーキテクチャを用いるのとは対照的であった。
• モデルはさまざまな交通状況において良好に一般化するため、接続された車両における実世界の展開が可能であると示唆された。