[論文レビュー] Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU

Lokesh Chandra Das|arXiv (Cornell University)|Mar 22, 2023

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本稿では、メトロインターチェンジ交通量データセットを用いて、リアルタイムの交通量予測にLong Short-Term Memory (LSTM)およびGated Recurrent Unit (GRU)ネットワークの提案と評価を行う。結果から、GRUは短い履歴系列でLSTMを上回る性能を示す一方、LSTMは長い系列で優れた性能を発揮し、両モデルが複雑で動的な交通環境において有効であることが示された。

ABSTRACT

Predicting traffic volume in real-time can improve both traffic flow and road safety. A precise traffic volume forecast helps alert drivers to the flow of traffic along their preferred routes, preventing potential deadlock situations. Existing parametric models cannot reliably forecast traffic volume in dynamic and complex traffic conditions. Therefore, in order to evaluate and forecast the traffic volume for every given time step in a real-time manner, we develop non-linear memory-based deep neural network models. Our extensive experiments run on the Metro Interstate Traffic Volume dataset demonstrate the effectiveness of the proposed models in predicting traffic volume in highly dynamic and heterogeneous traffic environments.

研究の動機と目的

• 動的で複雑な都市環境における正確なリアルタイム交通量予測の課題に取り組む。
• 不規則なまたは非定常な交通パターン下で失敗するARIMAなどのパrametricモデルの限界を克服する。
• 短期的な交通予測に向けた非線形記憶ベースのディープラーニングモデル—LSTMとGRU—の性能を評価する。
• 履歴系列長や特徴量セットの変化が予測精度に与える影響を調査する。
• LSTMとGRUモデル間の計算効率および収束行動の比較分析を提供する。

提案手法

• 時間的依存性をモデル化するため、記憶ベースのRNNとしてのLong Short-Term Memory (LSTM)およびGated Recurrent Unit (GRU)ネットワークを用いる。
• 予測タスクを多変量時系列問題として定式化し、$t-l$ から $t$ までの過去の観測値を用いて $t+1$ から $t+f$ の将来的な交通量を予測する。
• 学習の安定化と収束の向上を図るため、特徴量の正規化にMinMaxScalerを適用する。
• 性能評価を目的に、24時間および6時間の履歴ウィンドウを用いてモデルを訓練する。
• 標準的な回帰指標である平均二乗誤差（MSE）、平均絶対誤差（MAE）、平均絶対誤差率（MAPE）を用いてモデルを評価する。
• 複数のネットワークアーキテクチャおよび特徴量サブセットにおけるハイパーパramータチューニングを含む、エンドツーエンドのトレーニングおよび推論パイプラインを実装する。

Figure 3: Statistics of the dataset

実験結果

リサーチクエスチョン

• RQ1 LSTMとGRUモデルは、異なる履歴系列長においてどのように交通量予測性能を比較できるか？
• RQ2 入力特徴量の数を減らすことで、LSTMおよびGRUモデルの予測精度にどのような影響があるか？
• RQ3 異なるネットワーク構成下で、MSE、MAE、MAPEの観点から、LSTMとGRUのどちらがより優れた性能を発揮するか？
• RQ4 トレーニング中にLSTMとGRUの間で、計算効率および収束速度にどのような差が生じるか？
• RQ5 限られた履歴データがある状況ではGRUがLSTMを上回る可能性があるか？また、LSTMがGRUを上回る条件は何か？

主な発見

• GRUは履歴系列長が短い（6時間）場合にLSTMを上回り、全テスト設定においてMSE、MAE、MAPEが低くなる。
• LSTMは長い履歴系列（24時間）を用いる場合にGRUを上回る性能を発揮し、長期的依存性を捉える能力に優れていることが示された。
• 視覚的比較により、LSTMおよびGRUの両モデルが、複数の時間点において実測値に非常に近い予測値を生成していることが確認された。
• GRUはLSTMに比べて収束が遅く、パラメータ数が少ないにもかかわらず、1エポックあたりのトレーニング時間が長くなる。
• 特徴量セットの選定が性能に顕著な影響を与えるが、特徴量を絞っても良好な結果が得られる。ただし、フル特徴量セットは一般的に精度を向上させる。
• MinMaxScalerによる正規化と予測値の逆変換はパイプラインにおいて重要であったが、計算コストが高かった。

Figure 6: MSE, MAE, and MAPE errors of LSTM and GRU by varying neural network settings. The network uses 24 hours of observations to predict the next hour’s traffic volume.