[논문 리뷰] Data-Driven Models for Traffic Flow at Junctions

Michaël Herty, Niklas Kolbe|arXiv (Cornell University)|2022. 01. 01.

Traffic Prediction and Management Techniques인용 수 1

한 줄 요약

이 논문은 도로 교차로에서 매크로스코픽 교통 흐름 모델의 정확하고 일관된 결합 조건을 도출하기 위해 인공 신경망과 매개변수화된 리emann 해법을 통합한 데이터 기반 기계학습 프레임워크를 제안한다. 실제 차량 경로 데이터로 훈련함으로써, 기존 모델이 포착하지 못하는 혼잡도 및 우선순위 효과와 같은 현실적인 교통 역학을 더 잘 예측하는 것으로 나타났다.

ABSTRACT

The simulation of traffic flow on networks requires knowledge on the behavior across traffic intersections. For macroscopic models based on hyperbolic conservation laws there exist nowadays many ad-hoc models describing this behavior. Based on real-world car trajectory data we propose a new class of data-driven models with the requirements of being consistent to networked hyperbolic traffic flow models. To this end the new models combine artificial neural networks with a parametrization of the solution space to the half-Riemann problem at the junction. A method for deriving density and flux corresponding to the traffic close to the junction for data-driven models is presented. The models parameter are fitted to obtain suitable boundary conditions for macroscopic first and second-order traffic flow models. The prediction of various models are compared considering also existing coupling rules at the junction. Numerical results imposing the data-fitted coupling models on a traffic network are presented exhibiting accurate predictions of the new models.

연구 동기 및 목표

• 도로 네트워크에서 매크로스코픽 교통 흐름 모델에 대한 데이터 일관성 있는 결합 조건을 개발하기 위해.
• 특히 교차로에서 실세계 차량 경로 데이터에 대한 매크로스코픽 모델의 검증 부족 문제를 해결하기 위해.
• 기존 모델이 포착하지 못하는 복잡한 교통 현상(예: 램프 우선순위 및 혼잡도 전파)을 반영하지 못하는 유량 최대화 기반의 전통적 결합 규칙을 개선하기 위해.
• 쌍곡 보존법칙과 네트워크 기반 PDE 시스템과 수학적으로 일관된 기계학습 모델을 훈련하기 위한 통합 프레임워크를 제공하기 위해.
• 실제 경로 데이터(특히 램프 접속부에서의 데이터)를 사용하여 제안된 모델을 검증하고, 장기 시뮬레이션 및 통과량 비교를 수행하기 위해.

제안 방법

• 고속도로 램프에서 확보한 차량 경로 데이터를 활용해 제어체적 추적을 통해 매크로스코픽 밀도와 유량을 유도한다.
• 시간 지연 보정을 기반으로 한 키르히호프 조건을 활용해 상호작용 동기화 및 일일 변동성을 반영하여 데이터를 정규화한다.
• 정규화된 데이터로부터 도로 특화의 기본도형(속도 대 밀도)을 추정한다.
• 교차로에서 반-리만 문제의 매개변수화된 해 공간과 인공 신경망을 조합한 새로운 기계학습 모델 클래스를 제안한다.
• 기계학습 모델의 매개변수를 훈련하기 위해 진화 알고리즘과 확률적 경사 하강법을 활용하며, 매크로스코픽 PDE 모델과의 일관성을 확보한다.
• 유한체적 방법을 구현하여 네트워크 동역학을 시뮬레이션하고, 다양한 모델 간의 예측 결과를 비교한다.

실험 결과

연구 질문

• RQ1 실제 경로 데이터로 훈련된 기계학습 모델이 기존의 유량 최대화 규칙보다 교차로에서 더 정확하고 현실적인 결합 조건을 도출할 수 있는가?
• RQ2 데이터 기반 모델을 어떻게 수학적으로 쌍곡 보존법칙과 네트워크 기반 PDE 시스템과 일치시킬 수 있는가?
• RQ3 데이터 기반 결합 모델은 훈련 데이터에 존재하지 않는 현상(예: 혼잡도 및 램프 우선순위)을 어느 정도 정확하게 예측할 수 있는가?
• RQ4 모델의 깊이(층 수)가 네트워크 시뮬레이션에서 교통 흐름 예측의 현실성과 정확성에 어떤 영향을 미치는가?
• RQ5 데이터에 기반한 기본도형과 데이터 기반 결합 규칙을 일관된 매크로스코픽 모델링 프레임워크 내에 통합할 수 있는 통합 프레임워크를 구축할 수 있는가?

주요 결과

• 데이터 기반 기계학습 모델은 기존의 결합 규칙에 비해 훈련 및 테스트 데이터 양쪽 모두에서 더 나은 피팅을 달성했으며, 특히 복잡한 교통 역학을 포착하는 데 뛰어난 성능을 보였다.
• 단일층 신경망 모델은 완전한 교차로 정체와 같은 비현실적인 결과를 낳아, 더 깊은 아키텍처의 필요성을 드러냈다.
• 사용자층 신경망 모델은 통과량 예측 테스트에서 최고의 기존 모델 수준의 경계 유량 예측 정확도를 달성했다.
• 훈련 데이터가 희박한 혼잡도 예측 시나리오에서, 데이터 기반 모델은 기존 모델이 그러한 행동을 반영하지 못하는 것과는 달리, 램프 차량의 강력한 우선순위를 정확히 예측했다.
• 제안된 프레임워크는 키르히호프 조건에 기반한 시간 지연 보정을 활용해 경로 데이터를 성공적으로 정규화하여 매크로스코픽 유량 법칙과의 일관성을 향상시켰다.
• 학습된 결합 조건을 유한체적 방법과 통합함으로써 안정적이고 현실적인 네트워크 수준의 교통 동역학을 생성했으며, 실세계 응용에 대한 접근의 타당성을 검증했다.