[論文レビュー] Traffic4cast at NeurIPS 2022 -- Predict Dynamics along Graph Edges from Sparse Node Data: Whole City Traffic and ETA from Stationary Vehicle Detectors

Moritz Neun, Christian Eichenberger+28 more|arXiv (Cornell University)|Mar 14, 2023

Traffic Prediction and Management Techniques被引用数 5

ひとこと要約

本論文では、固定された検知器から得られる疎な歴史的車両通過回数データのみを用いて、都市全体の交通混雑状態と移動時間を予測する機械学習的手法を提示する。都市の道路網を時間的空間的グラフとして表現し、グラフニューラルネットワーク（GNN）と勾配ブースティングモデルを活用することで、限られた入力データのもとでも15分先の混雑クラスと平均移動時間を強く予測可能であり、スケーラブルでプライバシー保護型の都市交通予測への重要な一歩を示している。

ABSTRACT

The global trends of urbanization and increased personal mobility force us to rethink the way we live and use urban space. The Traffic4cast competition series tackles this problem in a data-driven way, advancing the latest methods in machine learning for modeling complex spatial systems over time. In this edition, our dynamic road graph data combine information from road maps, $10^{12}$ probe data points, and stationary vehicle detectors in three cities over the span of two years. While stationary vehicle detectors are the most accurate way to capture traffic volume, they are only available in few locations. Traffic4cast 2022 explores models that have the ability to generalize loosely related temporal vertex data on just a few nodes to predict dynamic future traffic states on the edges of the entire road graph. In the core challenge, participants are invited to predict the likelihoods of three congestion classes derived from the speed levels in the GPS data for the entire road graph in three cities 15 min into the future. We only provide vehicle count data from spatially sparse stationary vehicle detectors in these three cities as model input for this task. The data are aggregated in 15 min time bins for one hour prior to the prediction time. For the extended challenge, participants are tasked to predict the average travel times on super-segments 15 min into the future - super-segments are longer sequences of road segments in the graph. The competition results provide an important advance in the prediction of complex city-wide traffic states just from publicly available sparse vehicle data and without the need for large amounts of real-time floating vehicle data.

研究の動機と目的

• 固定された車両検知器からの疎で低解像度のデータのみを用いて、都市全体の交通ダイナミクスを予測する課題に対処すること。
• 3つの主要都市のスーパーセグメントにおける混雑度（赤/黄/緑）と平均移動時間を正確に予測すること。
• 限られたノードレベルのデータから、完全な道路グラフにおけるエッジレベルのダイナミクスを予測できるように、モデルが一般化できることを示すこと。
• GPSトレースのような高密度のリアルタイムプローブデータに依存せずに、グローバルな交通パターンを学習可能かどうかを検討すること。
• データの疎らさ、ラベル分布の不均衡、カバー範囲の違いを考慮した、異なる都市間でのモデルの頑健性を評価すること。

提案手法

• モデルは、道路グラフのノードに位置する空間的に疎な固定検知器から得られる、1時間分の15分刻みの車両通過回数データを学習に用いる。
• 道路網は、エッジが道路セグメントを、ノードが検知器の位置を表す動的グラフとして表現される。
• グラフニューラルネットワーク（GNN）と勾配ブースティングマシン（GBM）を用いて、疎なノード観測から空間的・時間的依存関係を学習する。
• コアタスクでは、15分後におけるグラフ内すべてのエッジについて、速度閾値に基づく3つの混雑クラス（赤・黄・緑）の発生確率を予測する。
• 拡張タスクでは、長時間にわたる連結された道路セグメントからなるスーパーセグメントに沿った平均移動時間（ETA）を予測する。
• ラベルの不均衡を緩和し、レアまたは異常なイベントのパフォーマンスを向上させるために、クラスウェイトとスーパーセグメントサンプリングを適用する。

実験結果

リサーチクエスチョン

• RQ1 ノードレベルの車両通過回数データのみで学習したモデルが、都市全体の道路網における混雑状態を正確に予測できるか？
• RQ2 GNNとGBMは、限られた検知器データから、観測されていないエッジにおけるグローバルな交通ダイナミクスをどの程度一般化できるか？
• RQ3 ラベル分布の不均衡と低い空間的カバー範囲が、異なる都市におけるモデルパフォーマンスにどの程度影響を与えるか？
• RQ4 モデル出力を歴史的経験的ラベル分布に再重み付けすることで、長期的な交通パターンの学習が信頼できるものであるかどうかを示せるか？
• RQ5 スーパーセグメントにおけるETA予測の能力が、実世界のナビゲーションやルーティング応用への汎用性を示しているか？

主な発見

• 優勝モデルはコアコンペティションで最も低い全体損失を達成したが、都市ごとにパフォーマンスに顕著な差が見られ、メルボルンはラベルカバレッジが低く（16％）、不均衡が高いため、最も高い損失を示した。
• 歴史的経験的ラベル分布と再重み付けされたモデル出力の間に強い相関が観察され、モデルが長期的な交通パターンを的確に学習したことが示された。
• 拡張チャレンジでは、損失レベルがラベル分布の狭さと逆相関していた——メルボルンのピークに近い分布は、ロンドンのより平たい、尾が長い分布よりも低い損失を示した。
• 入力が疎であったにもかかわらず、GNNとGBMの両方が強力な一般化性能を示し、最小限のデータからも交通の時間的・空間的依存関係を効果的に捉えることができると示唆された。
• 高品質な都市全体の交通予測が、高密度のGPSプローブデータに依存せず、公開済みのプライバシー保護型の車両検知器データのみで実現可能であることが確認された。
• 本研究は、データの疎らさとラベルの不均衡が主な課題であることを浮き彫りにした。特に、メルボルンの低カバレッジと高い不均衡が、予測の最も困難な都市であることを示している。