[논문 리뷰] A Hybrid Method for Traffic Flow Forecasting Using Multimodal Deep Learning

Shengdong Du, Tianrui Li외 2명|arXiv (Cornell University)|2018. 03. 06.

Traffic Prediction and Management Techniques참고 문헌 31인용 수 67

한 줄 요약

하이브리드 다중모달 딥러닝 프레임워크를 통해 1D CNNs, GRUs 및 주의(attention)를 사용하여 다중 데이터 모달리티 간의 공간-시간 상관관계를 학습하고 단기 교통 흐름을 공동 예측합니다.

ABSTRACT

Traffic flow forecasting has been regarded as a key problem of intelligent transport systems. In this work, we propose a hybrid multimodal deep learning method for short-term traffic flow forecasting, which can jointly and adaptively learn the spatial-temporal correlation features and long temporal interdependence of multi-modality traffic data by an attention auxiliary multimodal deep learning architecture. According to the highly nonlinear characteristics of multi-modality traffic data, the base module of our method consists of one-dimensional Convolutional Neural Networks (1D CNN) and Gated Recurrent Units (GRU) with the attention mechanism. The former is to capture the local trend features and the latter is to capture the long temporal dependencies. Then, we design a hybrid multimodal deep learning framework (HMDLF) for fusing share representation features of different modality traffic data by multiple CNN-GRU-Attention modules. The experimental results indicate that the proposed multimodal deep learning model is capable of dealing with complex nonlinear urban traffic flow forecasting with satisfying accuracy and effectiveness.

연구 동기 및 목표

• 지능형 교통 시스템을 위한 정확한 단기 교통 흐름 예측 동기 부여.
• 도시 교통 데이터의 비선형 특성과 다중 모달성 문제를 다루기.
• 모달리티 내외의 지역 추세 특징과 긴 시계열 의존성을 학습한다.
• 다른 모달리티 간 공유 표현을 적응적으로 융합하는 프레임워크를 개발한다.

제안 방법

• 베이스 모듈은 지역 추세 추출을 위한 1D CNN과 장기 시계열 모델링을 위한 GRU를 결합한다.
• 정보성이 높은 시계열 특징에 집중하도록 어텐션 메커니즘을 도입한다.
• 다중 모달 데이터로부터 공유 표현을 융합하기 위한 하이브리드 다중모달 심층 학습 프레임워크(HMDLF)를 설계한다.
• 다양한 모달리티 특定 패턴을 포착하기 위해 다수의 CNN-GRU-Attention 모듈을 활용한다.
• 모달리티 간 다중 모달 융합을 위한 적응 학습 아키텍처를 제공한다.

실험 결과

연구 질문

• RQ1 단일 모달 모델보다 다중 모달 딥러닝 접근법이 단기 교통 흐름 예측을 향상시킬 수 있는가?
• RQ2 어텐션 기반 융합이 교통 예측을 위해 모달 간 정보를 얼마나 효과적으로 활용하는가?
• RQ3 CNN과 GRU 구성요소를 결합하는 것이 교통 데이터의 지역적이고 장기적인 시계열 패턴 포착에 어떤 영향을 미치는가?
• RQ4 제안된 HMDLF 프레임워크가 도시 교통의 비선형 특성을 견고하게 처리하는가?

주요 결과

• 제안된 다중 모달 딥러닝 모델은 복잡한 비선형 도시 교통 흐름 예측을 효과적으로 다룬다.
• 이 아키텍처는 어텐션이 통합된 CNN-GRU 구조를 통해 지역 추세와 장기 시계열 의존성을 통합한다.
• HMDLF 프레임워크를 통한 다중 모달 융합은 예측에서 만족스러운 정확도와 효과를 낳는다.