[논문 리뷰] Deep Learning to Scale up Time Series Traffic Prediction

Julien Monteil, Anton Dekusar외 3명|arXiv (Cornell University)|2019. 01. 01.

Traffic Prediction and Management Techniques인용 수 2

한 줄 요약

이 논문은 로스앤젤레스의 1,098개 구간에서 14주 간의 15분 단위 속도 데이터를 사용하여 단기 교통 예측 방법을 장기적이고 도시 규모의 예측으로 확장하기 위한 딥러닝 공간-시간 모델을 제안한다. 공간-시간 특징을 통합함으로써 장기 예측 정확도가 향상됨을 입증하였으며, 단기 예측 및 링크 수준 예측에는 간단한 모델이 여전히 효과적임을 보여주며 정확도, 예측 수준, 학습 시간, 모델 크기 간의 상충 관계를 드러낸다.

ABSTRACT

The transport literature is dense regarding short-term traffic predictions, up to the scale of 1 hour, yet less dense for long-term traffic predictions. The transport literature is also sparse when it comes to city-scale traffic predictions, mainly because of low data availability. The main question we try to answer in this work is to which extent the approaches used for short-term prediction at a link level can be scaled up for long-term prediction at a city scale. We investigate a city-scale traffic dataset with 14 weeks of speed observations collected every 15 minutes over 1098 segments in the hypercenter of Los Angeles, California. We look at a variety of state-of-the-art machine learning and deep learning predictors for link-based predictions, and investigate ways to make such predictors scale up for larger areas, with brute force, clustering, and model design approaches. In particular we propose a novel deep learning spatio-temporal predictor inspired from recent works on recommender systems. We discuss the potential of including spatio-temporal features into the predictors, and conclude that modelling such features can be helpful for long-term predictions, while simpler predictors achieve very satisfactory performance for link-based and short-term forecasting. The trade-off is discussed not only in terms of prediction accuracy vs prediction horizon but also in terms of training time and model sizing.

연구 동기 및 목표

• 단기적이고 링크 수준의 교통 예측 방법이 장기적이고 도시 규모의 예측으로 어떻게 확장될 수 있는지 조사하기 위해.
• 대규모 도시 교통 데이터셋에서 최신 기계학습 및 딥러닝 모델의 성능을 평가하기 위해.
• 도시 규모 배포를 위한 세 가지 스케일링 전략: 브루트 포스, 클러스터링, 모델 설계를 탐색하기 위해.
• 공간-시간 특징 공학이 장기 예측 정확도에 어떤 영향을 미치는지 평가하기 위해.
• 예측 정확도, 예측 수준, 학습 시간, 모델 복잡도 간의 상충 관계를 분석하기 위해.

제안 방법

• 연구는 로스앤젤레스 다운타운 지역의 1,098개 도로 구간에서 14주 간의 15분 단위 속도 관측치를 포함한 도시 규모의 교통 데이터셋을 사용한다.
• 링크 기반 예측을 위한 여러 최신 기계학습 및 딥러닝 예측기의 성능을 평가한다.
• 최근 추천 시스템에서의 발전을 영감으로 삼아 공간적 및 시간적 종속성을 모델링하는 새로운 딥러닝 공간-시간 예측기 모델을 제안한다.
• 장기적인 교통 역학 패턴을 포착하기 위해 명시적인 공간-시간 특징을 통합한다.
• 세 가지 스케일링 전략을 적용한다: 전체 도시에 대한 브루트 포스 적용, 네트워크의 클러스터링 기반 분할, 확장성 향상을 위한 아키텍처 수정.
• 예측 수준에 따라 성능을 평가하며, 정확도, 학습 시간, 모델 크기 등을 비교하는 지표를 사용한다.

실험 결과

연구 질문

• RQ1 단기적이고 링크 수준의 교통 예측 모델이 얼마나 장기적이고 도시 규모의 예측으로 확장될 수 있는가?
• RQ2 공간-시간 특징이 장기 교통 예측 정확도 향상에 얼마나 효과적인가?
• RQ3 브루트 포스, 클러스터링, 또는 모델 설계 중 어떤 스케일링 전략이 도시 규모 예측에서 정확도와 효율성의 최적 균형을 이룰 수 있는가?
• RQ4 다양한 예측 수준에서 단순한 모델과 딥러닝 모델 간의 성능 비교는 어떻게 되는가?
• RQ5 대규모 교통 예측에서 예측 정확도, 학습 시간, 모델 크기 간의 상충 관계는 어떠한가?

주요 결과

• 공간-시간 특징을 통합함으로써 장기 예측의 정확도가 크게 향상되어 장기간에 걸친 복잡한 교통 역학을 포착하는 데 그 중요성이 입증된다.
• 단기적이고 링크 수준의 예측에는 단순한 모델이 매우 만족스러운 성능을 보이며, 이러한 과제에 충분할 수 있음을 시사한다.
• 제안된 딥러닝 공간-시간 모델은 공간-시간 특징이 포함된 경우 기준 모델보다 장기 예측에서 뛰어난 성능을 보인다.
• 모델을 전체 도시 규모에 브루트 포스로 적용하는 것은 계산상 비현실적이며, 효율적인 스케일링 전략의 필요성을 강조한다.
• 예측 정확도와 계산 비용 사이에 상충 관계가 존재하며, 더 깊은 모델은 더 긴 학습 시간과 더 큰 모델 크기를 감수하면서도 더 높은 정확도를 제공한다.
• 클러스터링 기반 접근과 아키텍처 수정은 브루트 포스 스케일링의 타당한 대안을 제공하며 성능과 효율성의 균형을 이룬다.