[논문 리뷰] Deep Bidirectional and Unidirectional LSTM Recurrent Neural Network for Network-wide Traffic Speed Prediction

Zhiyong Cui, Ruimin Ke외 2명|arXiv (Cornell University)|2018. 01. 07.

Traffic Prediction and Management Techniques참고 문헌 44인용 수 397

한 줄 요약

본 논문은 네트워크 전체의 교통 속도를 예측하기 위해 깊고 스택된 양방향 및 단방향 LSTM(SBU-LSTM) 아키텍처를 제안하며, 양방향 시계열 의존성 및 결측치를 처리하는 마스킹 메커니즘을 활용합니다.

ABSTRACT

Short-term traffic forecasting based on deep learning methods, especially long short-term memory (LSTM) neural networks, has received much attention in recent years. However, the potential of deep learning methods in traffic forecasting has not yet fully been exploited in terms of the depth of the model architecture, the spatial scale of the prediction area, and the predictive power of spatial-temporal data. In this paper, a deep stacked bidirectional and unidirectional LSTM (SBU- LSTM) neural network architecture is proposed, which considers both forward and backward dependencies in time series data, to predict network-wide traffic speed. A bidirectional LSTM (BDLSM) layer is exploited to capture spatial features and bidirectional temporal dependencies from historical data. To the best of our knowledge, this is the first time that BDLSTMs have been applied as building blocks for a deep architecture model to measure the backward dependency of traffic data for prediction. The proposed model can handle missing values in input data by using a masking mechanism. Further, this scalable model can predict traffic speed for both freeway and complex urban traffic networks. Comparisons with other classical and state-of-the-art models indicate that the proposed SBU-LSTM neural network achieves superior prediction performance for the whole traffic network in both accuracy and robustness.

연구 동기 및 목표

• 대규모 네트워크와 복잡한 도시 환경 전반에서 교통 예측을 위한 딥러닝을 촉진한다.
• 교통 데이터에서 순방향 및 역방향 시계열 의존성을 모두 포착하는 신경망 아키텍처를 개발한다.
• 마스킹 메커니즘을 통해 입력 값이 누락되어도 강건한 예측을 가능하게 한다.
• 네트워크 전반의 예측 및 다양한 교통 네트워크 유형에 대한 모델의 확장성을 보여준다.

제안 방법

• 교통 속도 예측을 위한 깊고 스택된 양방향 및 단방향 LSTM(SBU-LSTM) 아키텍처를 도입한다.
• BDLSM 층을 사용해 과거 데이터의 공간 특징과 양방향 시계열 의존성을 포착한다.
• 훈련 및 추론 시 누락된 입력 값을 처리하기 위한 마스킹 메커니즘을 통합한다.
• 모델을 고속도로와 복잡한 도시 교통 네트워크에 적용한다.
• 정확도와 강건성을 평가하기 위해 고전 모델 및 최첨단 모델과 비교한다.

실험 결과

연구 질문

• RQ1 전통 모델에 비해 깊은 BD-LSTM 기반 아키텍처가 네트워크 전반의 교통 속도 예측을 향상시킬 수 있는가?
• RQ2 양방향 시계열 의존성과 단방향 계층의 결합이 예측 정확도와 강건성을 향상시키는가?
• RQ3 마스킹이 교통 속도 입력의 누락 데이터를 얼마나 효과적으로 처리하는가?
• RQ4 제안된 모델은 고속도로와 도시 맥락을 포괄하는 대규모 네트워크에 확장 가능한가?

주요 결과

• SBU-LSTM 아키텍처는 정확도와 강건성 측면에서 전체 교통 네트워크에 대해 기준 모델들보다 우수한 예측 성능을 달성한다.
• 양방향 시계열 의존성은 교통 속도 데이터에서 역방향 영향을 포착하는 데 도움이 된다.
• 마스킹 메커니즘은 학습 및 예측 중 입력 값 누락을 효과적으로 처리할 수 있게 한다.
• 이 방법은 고속도로와 복잡한 도시 교통 네트워크 모두에 적용 가능하다.
• 깊은 아키텍처가 전통적 방법에 비해 성능과 회복력이 향상됨을 보여준다.