[論文レビュー] Travel Time Estimation without Road Networks: An Urban Morphological Layout Representation Approach

Wuwei Lan, Yanyan Xu+1 more|arXiv (Cornell University)|Jul 8, 2019

Traffic Prediction and Management Techniques参考文献 15被引用数 5

ひとこと要約

本稿では、道路網やマップマッチングに依存せずに、都市の形態的レイアウト画像から直接移動時間を推定するエンドツーエンドのマルチタスクディープラーニングモデル、DeepI2Tを提案する。このモデルは、都市の建物配置のグリッドベースの視覚的表現から、空間時間的パターンを学習する。上海および Porto の実世界データセットにおいて、パスに依存するおよびパスに依存しない両方の移動時間推定シナリオで、最先端の性能を達成している。

ABSTRACT

Travel time estimation is a crucial task for not only personal travel scheduling but also city planning. Previous methods focus on modeling toward road segments or sub-paths, then summing up for a final prediction, which have been recently replaced by deep neural models with end-to-end training. Usually, these methods are based on explicit feature representations, including spatio-temporal features, traffic states, etc. Here, we argue that the local traffic condition is closely tied up with the land-use and built environment, i.e., metro stations, arterial roads, intersections, commercial area, residential area, and etc, yet the relation is time-varying and too complicated to model explicitly and efficiently. Thus, this paper proposes an end-to-end multi-task deep neural model, named Deep Image to Time (DeepI2T), to learn the travel time mainly from the built environment images, a.k.a. the morphological layout images, and showoff the new state-of-the-art performance on real-world datasets in two cities. Moreover, our model is designed to tackle both path-aware and path-blind scenarios in the testing phase. This work opens up new opportunities of using the publicly available morphological layout images as considerable information in multiple geography-related smart city applications.

研究の動機と目的

• 道路網データやマップマッチングに依存せずに都市環境における移動時間推定の課題に対処すること。
• 土地利用、建物密度、インfra構造を表す形態的レイアウト画像が、交通混雑状態や移動遅延の有効な代理指標として機能するかどうかを検証すること。
• 視覚的都市形態を用いて、パスに依存するおよびパスに依存しない両方の移動時間クエリを処理できる統合型ディープラーニングモデルを開発すること。
• 個々のグリッドセル内の不均一な交通状態を捉えることで、混雑度の高い時間帯における推定精度を向上させること。
• 公開可能な衛星画像およびストリートレベルの画像を用いて、スケーラブルでデータ効率の良い移動時間予測を可能にすること。

提案手法

• モデルは都市領域をグリッドセルに分割し、各セルを衛星画像またはストリートレベルのビューから得られる形態的レイアウト画像として表現する。
• 畳み込みニューラルネットワーク（CNN）エンコーダーを用いて、土地利用パターン、道路密度、都市構造を捉える空間特徴を抽出する。
• RNN や Transformer のような時系列モデリングコンponentが、グリッドレベルの表現の系列を処理し、経路に沿った移動ダイナミクスをモデル化する。
• エンドツーエンドのマルチタスク学習フレームワークで訓練され、移動時間予測と混雑度推定などの補助タスクを同時に最適化する。
• パスに依存しないクエリでは、出発地・目的地の近接性とレイアウト類似度に基づいて妥当な経路を推定する「近隣の移動経路」ソリューションが用いられる。
• 同じ空間セル内で片側通行と両側通行の交通状態を区別できるように、各グリッドごとに走行方向情報を統合する。

実験結果

リサーチクエスチョン

• RQ1 都市の形状と建築環境を表す形態的レイアウト画像が、交通混雑状態や移動遅延の信頼できる代理指標として機能できるか。
• RQ2 レイアウト画像のみで学習されたエンドツーエンドのディープラーニングモデルが、従来の道路網ベースや軌跡ベースのモデルに比べて、移動時間推定でどれほど優れた性能を発揮できるか。
• RQ3 明示的なルーティングデータがなくとも、単一のモデルがパスに依存するおよびパスに依存しない両方の移動時間推定シナリオにどれほど一般化できるか。
• RQ4 レイアウトベースの表現が、異なる道路方向での混雑状態の違いといった、1つのグリッドセル内での不均一な交通状態を効果的に捉えられるか。
• RQ5 従来のモデルが性能を著しく低下させるピーク時間帯においても、モデルが安定した性能を維持できるか。

主な発見

• 上海の夕方ピーク時において、DeepI2T はパスに依存する設定で平均絶対誤差率（MAPE）15.75％を達成し、DeepTTE（20.15％）と GridLSTM（17.95％）を上回った。
• パスに依存しない推定では、上海の朝ピーク時において 27.29％ の成功率（SR）を達成し、TEMP（24.15％）を上回り、パスに依存するベースラインの性能に近づいた。
• 夕方ピーク時において、DeepI2T はパスに依存する推定で 41.37％ の成功率を達成し、DeepTTE（29.08％）と GridLSTM（34.62％）を著しく上回った。
• モデルは移動距離が異なる移動に対しても安定した性能を示し、長距離移動では DeepTTE よりも誤差分散が低く、劣化が著しくなかった。
• MAPE のトレーニングおよび評価曲線が密接に一致しており、トレーニング中に効果的な一般化が行われ、過学習が最小限に抑えられていることが示された。
• 道路網データが存在しないにもかかわらず、マップマッチングや明示的なルーティングなしに、2つの実世界データセットで最先端の結果を達成した。