[논문 리뷰] Bus Travel Time Prediction: A Lognormal Auto-Regressive (AR) Modeling Approach

B. Dhivyabharathi, B. Anil Kumar외 2명|ArXiv.org|2019. 04. 06.

Traffic Prediction and Management Techniques참고 문헌 73인용 수 5

한 줄 요약

이 논문은 AVL 데이터의 시간적 상관관계를 활용하여 버스 이동 시간 예측을 위한 로그정규 분포 자료귀환 모델링 방법을 제안한다. 계절적 AR과 새로운 비정상적 AR 모델을 통해 국부적 상관관계를 활용하며, 이는 이동 시간의 로그정규 분포를 고려하여 기존의 역사적 평균, 지수평균화, ARIMA, ANN 방법들을 능가하는 뛰어난 정확도를 달성한다. 이는 인도의 이질적인 교통 환경에서도 성능을 발휘한다.

ABSTRACT

Providing real time information about the arrival time of the transit buses has become inevitable in urban areas to make the system more user-friendly and advantageous over various other transportation modes. However, accurate prediction of arrival time of buses is still a challenging problem in dynamically varying traffic conditions especially under heterogeneous traffic condition without lane discipline. One broad approach researchers have adopted over the years is to segment the entire bus route into segments and work with these segment travel times as the data input (from GPS traces) for prediction. This paper adopts this approach and proposes predictive modelling approaches which fully exploit the temporal correlations in the bus GPS data. Specifically, we propose two approaches: (a) classical time-series approach employing a seasonal AR model (b)unconventional linear, non-stationary AR approach. The second approach is a novel technique and exploits the notion of partial correlation for learning from data. A detailed analysis of the marginal distributions of the data from Indian conditions (used here), revealed a predominantly log-normal behavior. This aspect was incorporated into the above proposed predictive models and statistically optimal prediction schemes in the lognormal sense are utilized for all predictions. Both the above temporal predictive modeling approaches predict ahead in time at each segment independently. For real-time bus travel time prediction, one however needs to predict across multiple segments ahead in space. Towards a complete solution, the study also proposes an intelligent procedure to perform (real-time) multi-section ahead travel-time predictions based on either of the above proposed temporal models. Results showed a clear improvement in prediction accuracy using the proposed methods,

연구 동기 및 목표

• 인도 도시에서 흔한 동적인 이질적 교통 환경에서 정확한 실시간 버스도착시간 예측 문제를 해결하기 위해.
• 구간 수준의 데이터에 시간열 기법을 적용하여 버스 이동 시간의 시간적 상관관계를 모델링함으로써 예측 정확도를 향상시키기 위해.
• 특히 이동 시간 분포의 통계적 성질—구체적으로 로그정규 분포 특성—을 예측 모델링에 통합하여 최적의 성능을 달성하기 위해.
• 실시간 구현이 가능한 BATP 시스템을 위해 다중 구간 향후 예측 프레임워크를 개발하기 위해.
• 기존 문헌의 격차를 메우기 위해 시간적 상관관계와 분포 가정을 체계적으로 통합한 모델링을 수행하기 위해.

제안 방법

• 관측치를 각 노선의 특정 시간대에 대한 이동 시간으로 간주하여, 버스 이동 시간을 단변량 시간열로 모델링한다.
• 시간대 패턴을 포착하기 위해 AIC 기준에 따라 선택된 곱셈 또는 덧셈 계절적 자기회귀(SAR) 모델을 적용한다.
• 각 시간대에 대해 별도의 선형 회귀모형을 학습하는 비정상적 AR 모델을 제안하며, 국부적 상관관계를 활용하기 위해 부분상관관계를 활용한다.
• 예측 프레임워크에 이동 시간의 로그정규 분포를 통합하여 분포 가정 하에 통계적으로 최적의 추정치를 확보한다.
• 각 구간에서 독립적으로 훈련된 모델을 사용하여 연속된 구간 간 예측을 연결하는 방식으로, 다중 구간 향후 예측 알고리즘을 개발한다.
• 실제 GPS 데이터를 27일 간의 운영 기록으로 사용하여 모델을 훈련하고 검증하며, MAPE를 성능 평가 지표로 사용한다.

실험 결과

연구 질문

• RQ1 AVL 데이터의 시간적 상관관계를 효과적으로 모델링하여 이질적 교통 환경에서의 버스 이동 시간 예측 성능을 향상시킬 수 있는가?
• RQ2 이동 시간에 대해 로그정규 분포를 가정할 경우, 가우시안 분포 가정 대비 예측 정확도에 어떤 영향을 미치는가?
• RQ3 부분상관관계 학습 기반의 비정상적 AR 모델이 기존의 계절적 AR 및 기타 기준 방법들을 능가할 수 있는가?
• RQ4 정확도와 계산 가능성을 유지하면서 실시간으로 다수의 구간에 걸쳐 예측을 연장할 수 있는 방법은 무엇인가?
• RQ5 실제 도시 환경에서 제안된 모델이 ARIMA, ANN, 지수평균화와 같은 기존 방법들을 얼마나 뛰어나게 성능을 발휘하는가?

주요 결과

• 제안된 계절적 AR 모델이 비정상적 AR 모델보다 略적으로 높은 성능을 보였으며, 모든 테스트 일자에서 더 낮은 MAPE를 기록했다.
• 비정상적 AR 모델의 성능은 고급 품질의 데이터 부족으로 인해 제한을 받았으며, 더 큰 데이터셋이 제공된다면 향상될 잠재력이 있음을 시사한다.
• 제안된 두 모델 모두 모든 테스트 일자에서 역사적 평균, 지수평균화, ARIMA, ANN 방법보다 MAPE 측면에서 뛰어난 성능을 보였다.
• 예측 프레임워크에 로그정규 분포를 통합함으로써 통계적으로 최적의 예측이 가능해졌으며, 이는 가우시안 기반 모델 대비 정확도가 크게 향상됨을 의미한다.
• 다중 구간 향후 예측 프레임워크는 각 구간 전용 모델을 사용하여 예측을 연결함으로써 실시간 구현을 성공적으로 가능하게 하였다.
• 복잡한 실제 교통 환경에서 시간적 상관관계와 분포 행동을 함께 모델링할 경우, 뛰어난 성능을 달성할 수 있음을 본 연구는 확인하였다.