[논문 리뷰] A Deep Generative Adversarial Architecture for Network-Wide Spatial-Temporal Traffic State Estimation

Yunyi Liang, Zhiyong Cui외 3명|arXiv (Cornell University)|2018. 01. 05.

Traffic Prediction and Management Techniques참고 문헌 13인용 수 3

한 줄 요약

이 논문은 누락된 데이터가 있는 상태에서 네트워크 전역의 시공간 교통 상태를 추정하기 위해 교통 흐름 이론과 두 개의 Long Short-Term Memory (LSTM) 네트워크를 융합한 딥 생성 적대적 아키텍처(GAA)를 제안한다. 생성 네트워크는 현실적인 교통 행렬을 학습하여 생성하고, 구분 네트워크는 이를 검증함으로써 높은 정확도로 누락된 흐름 및 밀도 값을 보간할 수 있게 한다. 실세계 시애틀과 샌디에이고 데이터에서 베이지안 네트워크를 능가한다.

ABSTRACT

This study proposes a deep generative adversarial architecture (GAA) for network-wide spatial-temporal traffic state estimation. The GAA is able to combine traffic flow theory with neural networks and thus improve the accuracy of traffic state estimation. It consists of two Long Short-Term Memory Neural Networks (LSTM NNs) which capture correlation in time and space among traffic flow and traffic density. One of the LSTM NNs, called a discriminative network, aims to maximize the probability of assigning correct labels to both true traffic state matrices (i.e., traffic flow and traffic density within a given spatial-temporal area) and the traffic state matrices generated from the other neural network. The other LSTM NN, called a generative network, aims to generate traffic state matrices which maximize the probability that the discriminative network assigns true labels to them. The two LSTM NNs are trained simultaneously such that the trained generative network can generate traffic matrices similar to those in the training data set. Given a traffic state matrix with missing values, we use back-propagation on three defined loss functions to map the corrupted matrix to a latent space. The mapping vector is then passed through the pre-trained generative network to estimate the missing values of the corrupted matrix. The proposed GAA is compared with the existing Bayesian network approach on loop detector data collected from Seattle, Washington and that collected from San Diego, California. Experimental results indicate that the GAA can achieve higher accuracy in traffic state estimation than the Bayesian network approach.

연구 동기 및 목표

• 센서 데이터에 누락된 값이 포함된 상황에서 정확한 네트워크 전역 교통 상태 추정 문제를 해결하기 위해.
• 교통 흐름 이론을 딥 러닝과 융합하여 교통 역학의 시공간 모델링을 향상시키기 위해.
• 부분 관측에서 현실적인 교통 상태 패턴을 학습하는 생성 적대적 프레임워크를 개발하기 위해.
• 실세계 도시 네트워크에서 전통적인 베이지안 네트워크 접근 방식을 초월한 정확도 향상을 위해.

제안 방법

• GAA는 생성 네트워크와 구분 네트워크로 구성된 두 개의 LSTM 신경망을 사용한다. 생성 네트워크는 교통 상태 행렬을 합성하고, 구분 네트워크는 진짜 행렬과 생성된 행렬을 구분한다.
• 두 네트워크는 상호 적대적으로 훈련되어 생성된 교통 상태의 현실성과 정확도를 향상시킨다.
• 손상된 교통 행렬(누락된 값이 포함된)을 잠재 공간으로 매핑하기 위해 삼중 손실 역전파 프레임워크를 사용한다.
• 잠재 벡터는 사전 훈련된 생성 네트워크를 통해 통과되어 누락된 흐름 및 밀도 값을 추정한다.
• 딥 러닝 아키텍처에 물리적 교통 흐름 원리를 통합하여 일반화 능력과 타당성을 향상시킨다.
• 시애틀과 샌디에이고의 루프 검출기 데이터를 사용하여 훈련하여 실세계의 시공간 패턴을 캡처한다.

실험 결과

연구 질문

• RQ1 딥 생성 적대적 아키텍처는 네트워크 전역에서 누락된 시공간 교통 상태를 효과적으로 추정할 수 있는가?
• RQ2 교통 흐름 이론을 딥 러닝과 융합함으로써 추정 정확도는 어떻게 향상되는가?
• RQ3 실세계 데이터에서 GAA는 베이지안 네트워크보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 두 개의 LSTM을 적대적으로 훈련하여 실세계 동역학을 반영하는 현실적인 교통 행렬을 생성할 수 있는가?

주요 결과

• GAA는 시애틀과 샌디에이고 루프 검출기 데이터셋 모두에서 베이지안 네트워크 접근 방식보다 높은 추정 정확도를 달성했다.
• 모델은 다수의 센서를 통해 교통 흐름과 밀도의 복잡한 시공간 상관관계를 효과적으로 포착했다.
• 적대적 훈련 프레임워크는 생성된 교통 행렬의 현실성과 정밀도를 성공적으로 향상시켰다.
• 삼중 손실 역전파 방법은 손상된 교통 행렬을 의미 있는 잠재 공간으로 효과적으로 매핑하여 정확한 보간을 가능하게 했다.