[論文レビュー] Two-Stream Multi-Channel Convolutional Neural Network (TM-CNN) for Multi-Lane Traffic Speed Prediction Considering Traffic Volume Impact

Ruimin Ke, Li Wan+2 more|arXiv (Cornell University)|Mar 5, 2019

Traffic Prediction and Management Techniques参考文献 25被引用数 12

ひとこと要約

本論文では、空間的・時間的特徴抽出を用いて速度と流量データを共同でモデリングすることで、レーン別交通速度を予測する2ストリーム多チャネルCNN、TM-CNNを提案する。新規のデータ変換手法と流量を考慮した損失関数を導入し、実世界の交通データを用いたマルチレーン速度予測において、ベースラインモデルを上回る高い精度を達成した。

ABSTRACT

Traffic speed prediction is a critically important component of intelligent transportation systems (ITS). Recently, with the rapid development of deep learning and transportation data science, a growing body of new traffic speed prediction models have been designed, which achieved high accuracy and large-scale prediction. However, existing studies have two major limitations. First, they predict aggregated traffic speed rather than lane-level traffic speed; second, most studies ignore the impact of other traffic flow parameters in speed prediction. To address these issues, we propose a two-stream multi-channel convolutional neural network (TM-CNN) model for multi-lane traffic speed prediction considering traffic volume impact. In this model, we first introduce a new data conversion method that converts raw traffic speed data and volume data into spatial-temporal multi-channel matrices. Then we carefully design a two-stream deep neural network to effectively learn the features and correlations between individual lanes, in the spatial-temporal dimensions, and between speed and volume. Accordingly, a new loss function that considers the volume impact in speed prediction is developed. A case study using one-year data validates the TM-CNN model and demonstrates its superiority. This paper contributes to two research areas: (1) traffic speed prediction, and (2) multi-lane traffic flow study.

研究の動機と目的

• 集約された速度モデルにとどまらない、レーンレベルの交通速度予測のギャップを埋めるため。
• 既存のディープラーニングモデルでしばしば無視される、交通流量を速度予測の主要要因として組み込むため。
• 複数レーン間および速度と流量の間の空間的・時間的相関を捉える統合的ディープラーニングフレームワークを構築するため。
• 高分解能でのマルチレーンダイナミクスをモデリングすることで、知的交通システムにおける予測精度を向上させるため。

提案手法

• 生の速度および流量データを空間的・時間的関係を保持する多チャネル行列に変換する。
• 2ストリームCNNアーキテクチャを設計：1つのストリームが速度特徴を処理し、もう1つのストリームが流量特徴を処理することで、レーンレベルのダイナミクスの共同学習を可能にする。
• 両ストリームの特徴マップを統合し、時間的およびレーン間のクロスモーダル相関（速度-流量）を捉える。
• 交通流量レベルに応じて予測誤差の重みを調整する新しい損失関数を導入し、高流量状態での精度を重視する。
• バックプロパゲーションを用いたエンドツーエンド学習により、畳み込み層による時間的依存性を活用した適応的最適化でモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、集約速度ではなく、レーン別交通速度を効果的に予測できるか？
• RQ2 交通流量データを組み込むことで、マルチレーン交通速度予測の精度はどの程度向上するか？
• RQ3 2ストリームCNNアーキテクチャは、複数レーン間および速度と流量の間の空間的・時間的相関をどの程度効果的に捉えることができるか？
• RQ4 流量を考慮した損失関数は、特に高流量時において、より優れた予測性能をもたらすか？

主な発見

• TM-CNNモデルは、標準CNNやRNNを含むベースラインモデルと比較して、レーンレベルの速度予測において顕著に低い予測誤差を達成した。
• 流量を入力モダリティとして組み込むことで、特に高流量の交通状況下で予測精度が向上した。
• 2ストリームアーキテクチャは、レーン間およびモダリティ間（速度-流量）の依存関係を効果的に学習し、特徴表現を強化した。
• 流量を考慮した損失関数は、高流量シナリオにおける予測誤差を低減し、さまざまな交通状況下でも高いロバスト性を示した。
• モデルは全レーンで高い性能を維持しており、個々のレーンダイナミクスへの強い一般化能力を示した。