[논문 리뷰] Dynamic Origin-Destination Matrix Prediction with Line Graph Neural Networks and Kalman Filter

Xi Xiong, Kaan Özbay외 2명|arXiv (Cornell University)|2019. 05. 01.

Traffic Prediction and Management Techniques참고 문헌 30인용 수 8

한 줄 요약

이 논문은 교통망 내의 링크 흐름 데이터를 사용하여 동적 원천-목적지(O-D) 행렬을 예측하기 위해 융합 선형 그래프 컨볼루션 네트워크(FL-GCNs)와 칼만 필터를 조합한 하이브리드 프레임워크를 제안한다. 선형 그래프를 통한 공간적 구조와 딥러닝 및 확률적 필터링의 융합을 통해 모델은 뛰어난 정확도를 달성하며, 특히 신경망 가중치의 혼합 비율이 0.8일 때 우수한 강건성과 성능을 보여준다. 실세계 뉴저지 터널리지 고속도로 데이터를 대상으로 검증되었다.

ABSTRACT

Modern intelligent transportation systems provide data that allow real-time dynamic demand prediction, which is essential for planning and operations. The main challenge of prediction of dynamic Origin-Destination (O-D) demand matrices is that demands cannot be directly measured by traffic sensors; instead, they have to be inferred from aggregate traffic flow data on traffic links. Specifically, spatial correlation, congestion and time dependent factors need to be considered in general transportation networks. In this paper we propose a novel O-D prediction framework combining heterogeneous prediction in graph neural networks and Kalman filter to recognize spatial and temporal patterns simultaneously. The underlying road network topology is converted into a corresponding line graph in the newly designed Fusion Line Graph Convolutional Networks (FL-GCNs), which provide a general framework of predicting spatial-temporal O-D flows from link information. Data from New Jersey Turnpike network are used to evaluate the proposed model. The results show that our proposed approach yields the best performance under various prediction scenarios. In addition, the advantage of combining deep neural networks and Kalman filter is demonstrated.

연구 동기 및 목표

• 직접 측정이 불가능한 교통망 내 동적 O-D 수요 행렬 예측의 과제를 해결한다.
• 중력 모델이나 GLS와 같은 전통적 모델의 한계를 극복하기 위해 실시간 링크 흐름 데이터로부터 공간적 및 시간적 상관관계를 통합한다.
• 그래프 신경망과 칼만 필터를 융합한 통합된 딥러닝 및 필터링 프레임워크를 개발하여 예측의 강건성을 향상시킨다.
• O-D 쌍과 링크 흐름 간의 공간-시간적 의존성을 모델링하기 위해 새로운 선형 그래프 기반 아키텍처(FL-GCN)를 설계한다.
• 뉴저지 터널리지 고속도로 네트워크의 실세계 데이터를 사용하여 모델의 효과성과 해석 가능성에 대해 검증한다.

제안 방법

• 도로망의 구조를 선형 그래프로 변환하여 링크를 노드로, 인접 관계를 간선으로 표현함으로써 공간 패턴 학습을 가능하게 한다.
• 링크 수준의 그래프 컨볼루션과 노드 수준의 그래프 컨볼루션을 위한 이중 컨볼루션 브랜치를 갖춘 융합 선형 그래프 컨볼루션 네트워크(FL-GCNs)를 설계한다.
• 시간적 동역학과 불확실성을 모델링하기 위해 칼만 필터를 통합하며, 이전 O-D 흐름을 상태 사전 정보로, 링크 흐름을 관측값으로 사용한다.
• FL-GCN과 칼만 필터의 예측 결과를 학습 가능한 혼합 파라미터를 사용해 융합하여 이질적인 출력 간의 균형을 맞추고 예측 오차를 최소화한다.
• 평균 절대 오차(MAE), 근미분 평균 제곱 오차(RMSE), 상대적 근미분 평균 제곱 오차(RMSN)를 손실 함수로 사용하여 모델을 종합적으로 최적화한다.
• FL-GCN의 수렴한 가중치를 시각화하여 이전 O-D 흐름과 링크 흐름 입력이 예측에 미치는 상대적 영향력을 해석한다.

실험 결과

연구 질문

• RQ1 그래프 신경망과 칼만 필터를 융합한 하이브리드 모델이 단독 모델 대비 동적 O-D 행렬 예측 정확도를 향상시킬 수 있는가?
• RQ2 선형 그래프를 통해 표현된 네트워크 구조의 공간적 상관관계는 O-D 흐름 예측에 어떻게 기여하는가?
• RQ3 예측 오차 측면에서 딥러닝 기반 예측(FL-GCN)과 확률적 필터링(칼만 필터) 간의 최적의 균형은 무엇인가?
• RQ4 학습된 모델 가중치를 통해 이전 O-D 흐름과 실시간 링크 흐름이 최종 예측에 얼마나 기여하는지 정도는 어느 정도인가?
• RQ5 실세계 교통 조건에서 예측 수평(1-, 2-, 3단계 예측)이 다양할 경우 모델의 성능은 어떻게 되는가?

주요 결과

• 하이브리드 FL-GCN 및 칼만 필터 모델은 1단계 예측 수평에서 가장 낮은 MAE(3.304), RMSE(6.057), RMSN(0.536)을 기록하며, 개별 구성 요소를 모두 능가한다.
• 딥러닝 컴포넌트의 혼합 비율이 0.8일 때 예측 오차(MAE, RMSE, RMSN)가 최소화되며, 이는 양 모델의 최적 융합을 시사한다.
• 칼만 필터는 FL-GCN의 이상 예측을 보정함으로써 강건성을 향상시키며, 특히 딥러닝만으로는 성능이 저하되는 장기 예측에서 두드러진다.
• 시각화된 가중치는 이전 O-D 흐름이 링크 흐름 입력보다 더 강한 영향(높은 크기와 대각선 패턴)을 미치며 예측에서 주도적인 역할을 함을 보여준다.
• 모델은 모든 예측 단계(1-, 2-, 3단계)에서 일관된 슈퍼리어리티를 보이며, 혼합 FL-GCN 모델이 가장 뛰어난 종합 성능을 달성한다.
• 결과는 딥러닝과 칼만 필터링을 융합함으로써 실 고속도로 네트워크에서의 동적 O-D 수요 예측 정확도와 안정성이 향상됨을 확인한다.