[논문 리뷰] A Deep Learning Approach for Network-wide Dynamic Traffic Prediction during Hurricane Evacuation

Md. Rezaur Rahman, Samiul Hasan|arXiv (Cornell University)|2022. 02. 25.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

이 논문은 Category:허리케인 대피 기간 동안의 네트워크 전체 동적 교통 예측을 위한 전이 학습 강화 DGCN-LSTM 모델을 제안한다. 비대피 기간 데이터를 활용하고 대피 특화 특징(예: 대피 구역까지의 거리, 도착까지의 시간)을 통합한다. 모델은 예측 오차를 기준선의 1440.99에서 399.69 RMSE로 감소시켜, 사전 대응 교통 관리에 유용한 6시간 예측을 가능하게 한다.

ABSTRACT

Proactive evacuation traffic management largely depends on real-time monitoring and prediction of traffic flow at a high spatiotemporal resolution. However, evacuation traffic prediction is challenging due to the uncertainties caused by sudden changes in projected hurricane paths and consequently household evacuation behavior. Moreover, modeling spatiotemporal traffic flow patterns requires extensive data over a longer time period, whereas evacuations typically last for 2 to 5 days. In this paper, we present a novel data-driven approach for predicting evacuation traffic at a network scale. We develop a dynamic graph convolution LSTM (DGCN-LSTM) model to learn the network dynamics of hurricane evacuation. We first train the model for non-evacuation period traffic data showing that the model outperforms existing deep learning models for predicting non-evacuation period traffic with an RMSE value of 226.84. However, when we apply the model for evacuation period, the RMSE value increased to 1440.99. We overcome this issue by adopting a transfer learning approach with additional features related to evacuation traffic demand such as distance from the evacuation zone, time to landfall, and other zonal level features to control the transfer of information (network dynamics) from non-evacuation periods to evacuation periods. The final transfer learned DGCN-LSTM model performs well to predict evacuation traffic flow (RMSE=399.69). The implemented model can be applied to predict evacuation traffic over a longer forecasting horizon (6 hour). It will assist transportation agencies to activate appropriate traffic management strategies to reduce delays for evacuating traffic.

연구 동기 및 목표

• 허리케인 대피 기간 동안의 네트워크 전체 교통 흐름을 예측하는 데 도전하는 것, 이는 단기적이고 고불확실성의 사건이다.
• 교통 예측에서 비대피 기간과 대피 기간 간의 데이터 부족 및 분포 이탈 문제를 해결하는 것.
• 비대피 기간 데이터에서 학습한 네트워크 동역학을 대피 상황에 전이하여 예측 정확도를 향상시키는 것.
• 대피 특화 맥락적 특징(예: 도착까지 시간, 구역까지 거리)을 통합하여 전이 학습의 안정성을 높이는 것.
• 대피 기간 동안 효과적인 교통 관리를 위해 장기 예측(6시간) 동적 교통 예측을 가능하게 하는 것.

제안 방법

• 동적 그래프 컬러션 네트워크(DGCN)를 사용하여 교통 네트워크 내 도로 세그먼트 간의 공간적 의존성을 모델링한다.
• DGCN 위에 장기 단기 기억(LSTM) 유닛을 겹쳐 교통 흐름의 시간적 의존성을 캡처한다.
• DGCN-LSTM 모델은 먼저 비대피 기간 교통 데이터를 기반으로 사전 훈련하여 기본 네트워크 동역학을 학습한다.
• 전이 학습은 비대피 데이터에서 사전 훈련된 모델을 대피 데이터에 대해 미세조정함으로써 적용되며, 추가로 거리에서 대피 구역까지의 거리, 도착까지 시간, 지구 수준의 특징을 포함한다.
• 예측 오차를 최소화하기 위해 평균 제곱오차(MSE) 손실 함수를 사용하여 엔드 투 엔드로 모델을 훈련한다.
• 최종 모델은 6시간 예측 수평선을 기준으로 네트워크 전체 스케일의 교통 흐름을 예측한다.

실험 결과

연구 질문

• RQ1 비대피 교통 데이터에서 훈련된 딥 러닝 모델이 분포 이탈이 심한 대피 상황에 일반화될 수 있는가?
• RQ2 대피 특화 맥락적 특징을 통합함으로써 대피 기간 동안의 예측 정확도는 어떻게 향상되는가?
• RQ3 비대피 기간에서 대피 기간으로 지식을 전이할 때 전이 학습이 예측 오차를 얼마나 줄이는가?
• RQ4 고불확실성 대피 사건 동안 6시간 예측 수평선에서 모델은 안정적인 성능을 유지할 수 있는가?
• RQ5 DGCN-LSTM에 의한 시공간 모델링은 네트워크 전체 교통 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• 비대피 데이터에서만 훈련된 기준선 DGCN-LSTM 모델은 안정된 교통 패턴에서 RMSE 226.84를 기록하여 뛰어난 성능을 보였다.
• 적응 없이 직접 대피 데이터에 적용했을 경우, 모델의 RMSE는 1440.99로 크게 증가하여 분포 이탈으로 인한 일반화 부족이 확인되었다.
• 대피 특화 특징을 포함한 전이 학습 방식은 RMSE를 399.69로 감소시켜 예측 정확도가 크게 향상되었다.
• 최종 모델은 교통 흐름을 최대 6시간 전에 예측하여 사전 대응 교통 관리에 기여할 수 있었다.
• 도착까지 시간과 대피 구역까지 거리 등의 특징 통합은 네트워크 동역학의 전이 안정성에 결정적인 역할을 하였다.
• 특히 고불확실성 상황에서, 표준 딥 러닝 기준 모델보다도 비대피 및 대피 조건 모두에서 성능이 뛰어나 상대적으로 뛰어난 성능을 보였다.