[논문 리뷰] A Unified Neural Network Approach for Estimating Travel Time and Distance for a Taxi Trip

Ishan Jindal, Tony Tony외 4명|arXiv (Cornell University)|2017. 10. 12.

Traffic Prediction and Management Techniques참고 문헌 15인용 수 62

한 줄 요약

본 논문은 ST-NN을 제안합니다. 이는 GPS 빈 좌표와 시각 정보를 이용해 출발지-도착지 쌍의 이동 시간과 이동 거리를 함께 추정하는 통합 심층 신경망이며, NYC 택시 데이터에서 최첨단 방법들보다 더 나은 성능을 달성합니다.

ABSTRACT

In building intelligent transportation systems such as taxi or rideshare services, accurate prediction of travel time and distance is crucial for customer experience and resource management. Using the NYC taxi dataset, which contains taxi trips data collected from GPS-enabled taxis [23], this paper investigates the use of deep neural networks to jointly predict taxi trip time and distance. We propose a model, called ST-NN (Spatio-Temporal Neural Network), which first predicts the travel distance between an origin and a destination GPS coordinate, then combines this prediction with the time of day to predict the travel time. The beauty of ST-NN is that it uses only the raw trips data without requiring further feature engineering and provides a joint estimate of travel time and distance. We compare the performance of ST-NN to that of state-of-the-art travel time estimation methods, and we observe that the proposed approach generalizes better than state-of-the-art methods. We show that ST-NN approach significantly reduces the mean absolute error for both predicted travel time and distance, about 17% for travel time prediction. We also observe that the proposed approach is more robust to outliers present in the dataset by testing the performance of ST-NN on the datasets with and without outliers.

연구 동기 및 목표

• 도시 택시/라이드헤일링 시스템에서 정확한 이동 시간과 거리 추정을 동기 부여합니다.
• 대규모 NYC 택시 데이터를 활용하여 회귀 기반의 특징 엔지니어링이 필요 없는 모델을 개발합니다.
• 기초 모델 대비 이동 시간 예측에서 ST-NN의 공동 아키텍처가 개선된다는 것을 보여줍니다.
• ST-NN의 이상치에 대한 견고성과 기존 방법과의 비교를 보여줍니다.

제안 방법

• 출발지와 도착지를 2-D GPS 빈으로 표현하고 시간대를 1-D 시간 빈으로 표현합니다.
• 거리와 시간을 각각 예측하기 위해 Dist DNN과 Time DNN 모듈(3층 MLP)을 개발합니다.
• 이 모듈들을 하나의 ST-NN으로 융합하여 이동 시간 손실과 이동 거리 손실의 합을 함께 최소화합니다.
• NYC 택시 데이터셋에 대해 80/20 훈련/테스트 분할로 확률적 경사 하강법으로 학습합니다.
• 선형 회귀 기반 베이스라인과 독립적인 TimeNN/DistNN 모듈, 그리고 참조 방법(BTE)과 비교합니다.
• GPS 좌표를 이산 셀로 매핑하고 시간대를 평일/주말 빈으로 분할하는 사전 처리(pre-processing)를 수행합니다.

실험 결과

연구 질문

• RQ1 경로 정보 없이 출발지-도착지 GPS 좌표와 시간대만으로 신경망이 이동 시간과 거리를 함께 예측할 수 있는가?
• RQ2 공동 학습(ST-NN)이 시간만 모델이나 선형 베이스라인에 비해 이동 시간 예측을 개선하는가?
• RQ3 이상치가 있는 경우와 시간대(평일 대 주말)별로 모델의 성능은 어떻게 되는가?
• RQ4 예측된 이동 거리가 도시 택시 데이터에서 시간 추정에 어떤 영향을 미치는가?

주요 결과

• ST-NN은 이동 시간 추정에서 단순 선형 회귀 베이스라인보다 우수합니다.
• ST-NN의 공동 학습은 NYC 데이터에서 TimeNN에 비해 이동 시간 MAE를 약 13초 개선합니다.
• DistNN은 이동 거리에서 단순 선형 회귀를 능가합니다; ST-NN은 MAE가 약 0.27(보고된 단위에서)로 거의 최고 수준의 거리 성능을 달성하고 R2도 높습니다(약 0.943).
• ST-NN은 이상치에 대한 견고성을 보이며 이상 트립이 있는 데이터에 대해 기준 방법 대비 우수한 성능을 유지합니다.
• 맨해튼 지역만을 다루는 벤치마크에 비해 ST-NN은 이동 시간 MAE를 약 17% 감소시킵니다.