[論文レビュー] Traffic signal prediction on transportation networks using spatio-temporal correlations on graphs

Semin Kwak, Nikolas Geroliminis+1 more|arXiv (Cornell University)|Apr 27, 2021

Traffic Prediction and Management Techniques参考文献 33被引用数 5

ひとこと要約

本稿では、グラフベースの熱拡散カーネルとデータ駆動型の動的線形モデル（DLM）を融合することで、交通網上の交通信号を予測するベイジアン時空間モデルを提案する。混合重みをベイジアン推論により最適化することで、深層学習モデルと同等の精度を達成しながら、計算コストを著しく低減し、明示的な周期性モデリングにより長期予測性能に優れる。

ABSTRACT

Multivariate time series forecasting poses challenges as the variables are intertwined in time and space, like in the case of traffic signals. Defining signals on graphs relaxes such complexities by representing the evolution of signals over a space using relevant graph kernels such as the heat diffusion kernel. However, this kernel alone does not fully capture the actual dynamics of the data as it only relies on the graph structure. The gap can be filled by combining the graph kernel representation with data-driven models that utilize historical data. This paper proposes a traffic propagation model that merges multiple heat diffusion kernels into a data-driven prediction model to forecast traffic signals. We optimize the model parameters using Bayesian inference to minimize the prediction errors and, consequently, determine the mixing ratio of the two approaches. Such mixing ratio strongly depends on training data size and data anomalies, which typically correspond to the peak hours for traffic data. The proposed model demonstrates prediction accuracy comparable to that of the state-of-the-art deep neural networks with lower computational effort. It notably achieves excellent performance for long-term prediction through the inheritance of periodicity modeling in data-driven models.

研究の動機と目的

• 複雑な時空間相関を有する多次元交通信号予測の課題に対処すること。
• 深層ニューラルネットワークと比較して計算コストを低減しつつ、高い予測精度を維持すること。
• 交通信号に内在する毎日周期性を明示的にモデリングすることで、長期予測性能を向上させること。
• ベイジアン推論を用いて、構造的グラフ情報（例：物理的近接性）とデータ駆動型ダイナミクスを統合すること。
• 実世界の交通網に適したスケーラブルでハイパーパrameterが少ないモデルを開発すること。

提案手法

• 交通網のグラフ表現上に複数の熱拡散カーネルを組み合わせ、空間的依存性を捉える。
• 時間的ダイナミクスを表現するため動的線形モデル（DLM）を用い、時間別回帰行列を用いて毎日周期性を明示的にモデリングする。
• 予測誤差を最小化するために、拡散カーネルの混合重みとDLMパラメータを同時にベイジアン推論で推定する。
• ハイパーパrameterを解析的マージナライゼーションプロセスにより最適化することで、計算コストの高い交差検証に依存するのを低減する。
• 距離に基づく接続性としきい値κ、カーネル幅σを用いてグラフ構造を構築し、k-頂点連結トポロジーを保証する。
• 数値的に推定するのはK+2パラメータのみ（O(K²)の複雑さ）、残りは解析的に推定されるため、高速なトレーニングが可能となる。

実験結果

リサーチクエスチョン

• RQ1 時空間モデリングと組み合わせたグラフベースの拡散カーネルは、データ駆動型交通信号予測を改善できるか？
• RQ2 ベイジアン推論は、構造的（グラフベース）およびデータ駆動型コンポーネントを最適にバランスさせられるか？
• RQ3 提案手法は、計算コストを低減しつつ、深層学習ベースラインを上回る長期交通予測性能を達成できるか？
• RQ4 カーネル幅σや拡散プロセス数Kといったハイパーパrameterの変更に、モデルの性能はどれほど感受性を示すか？
• RQ5 本モデルは、毎日周期パターンを示すさまざまな交通データセットに一般化可能か？

主な発見

• PEMS-BAYデータセットにおいて、15分、30分、60分予測のRMSEはそれぞれ2.90、3.77、4.44を達成し、最先端の深層学習モデルと同等の精度を示した。
• 90分および120分予測では、RMSEが4.70および5.26を記録し、DCRNN（5.26および6.02）を上回り、長期予測精度に優れた性能を示した。
• CPU上で合計760秒のトレーニング時間であり、GPUを用いた50〜100エポックが必要なDNNベースのモデルと比べて著しく高速であった。
• ハイパーパrameterチューニングが最小限で済み、K=3からK=7の拡散プロセス範囲で性能が安定（RMSE変化±0.01以内）であった。
• N²パラメータの解析的推論により、数値最適化への依存を低減し、高い精度を達成した。
• DLMが周期性モデリングを継承しているため、データ異常が頻発するピーク時刻でも安定した性能を発揮した。