[논문 리뷰] Estimating multi-class dynamic origin-destination demand through a forward-backward algorithm on computational graphs

Wei Ma, Xidong Pi외 1명|arXiv (Cornell University)|2019. 03. 12.

Traffic Prediction and Management Techniques참고 문헌 28인용 수 9

한 줄 요약

이 논문은 희소한 유량 및 이동 시간 관측치를 사용하여 대규모 교통망에서 다중 클래스 동적 원-도착(OD) 수요를 추정하기 위해 전진-역행 알고리즘을 갖춘 데이터 기반 계산 그래프 프레임워크를 제안한다. 이 방법은 텐서라이제이션된 시공간 유량, 기울기 추정을 위한 트리 기반 누적 곡선, 그리고 소규모 및 실세계 네트워크에서 모두 높은 정확도로 빠르게 수렴하며, 승용차와 트럭의 속도 추정에 각각 0.45와 0.51의 결정계수(R-squared)를 달 đạt한다.

ABSTRACT

Transportation networks are unprecedentedly complex with heterogeneous vehicular flow. Conventionally, vehicle classes are considered by vehicle classifications (such as standard passenger cars and trucks). However, vehicle flow heterogeneity stems from many other aspects in general, e.g., ride-sourcing vehicles versus personal vehicles, human driven vehicles versus connected and automated vehicles. Provided with some observations of vehicular flow for each class in a large-scale transportation network, how to estimate the multi-class spatio-temporal vehicular flow, in terms of time-varying Origin-Destination (OD) demand and path/link flow, remains a big challenge. This paper presents a solution framework for multi-class dynamic OD demand estimation (MCDODE) in large-scale networks. The proposed framework is built on a computational graph with tensor representations of spatio-temporal flow and all intermediate features involved in the MCDODE formulation. A forward-backward algorithm is proposed to efficiently solve the MCDODE formulation on computational graphs. In addition, we propose a novel concept of tree-based cumulative curves to estimate the gradient of OD demand. A Growing Tree algorithm is developed to construct tree-based cumulative curves. The proposed framework is examined on a small network as well as a real-world large-scale network. The experiment results indicate that the proposed framework is compelling, satisfactory and computationally plausible.

연구 동기 및 목표

• 희소하고 부분적인 유량 관측치를 바탕으로 다각도로 이질적인 대규모 교통망에서 다중 클래스 동적 OD 수요를 추정하는 데 도전하는 것.
• 다중 클래스 교통 역학과 시공간 유량 데이터를 통합하여 향상된 네트워크 모델링을 위한 확장 가능한 데이터 기반 프레임워크를 개발하는 것.
• 승용차, 트럭, 라이드셰링 차량과 같은 차량 유형에 따라 시간에 따라 변화하는 OD 수요를 효율적이고 정확하게 추정하는 것.
• 세분화된, 차량 유형별로 구분된 이동 패턴과 네트워크 영향력에 대한 통찰을 제공하여 고도화된 교통 관리 및 계획을 지원하는 것.
• 계산 그래프 기반의 미분 가능하고 기울기 기반 최적화를 통해 동적 OD 추정의 계산 효율성과 강건성을 향상시키는 것.

제안 방법

• MCDODE 설정은 시공간 유량과 중간 특징의 텐서라이제이션 표현을 사용하여 계산 그래프에 표현된다.
• 전진-역행 알고리즘을 적용한다: 전진 단계는 동적 교통 배분과 손실을 계산하고, 역행 단계는 역전파를 통해 OD 수요를 업데이트한다.
• 링크 이동 시간에 대한 OD 수요에 대한 기울기 추정을 효율적으로 수행하기 위해 트리 기반 누적 곡선을 도입한다. 특히 희소한 DAR 행렬에 대해 유리하다.
• 성장 트리 알고리즘은 메조스코픽 시뮬레이션 출력(MAC-POSTS)에서 트리 기반 누적 곡선을 구축하여 경로 선택과 경로 유량을 모델링한다.
• 다일 데이터 통합을 지원하며, Adagrad와 같은 기울기 기반 솔버를 사용한다. 초기화 및 단계 크기의 민감도 분석을 수행한다.
• 메조스코픽 다중 클래스 교통 시뮬레이터(MAC-POSTS)를 사용하여 검증하고, 엔드 투 엔드 최적화를 위해 미분 가능한 동적 네트워크 로딩을 활용한다.

실험 결과

연구 질문

• RQ1 어떻게 희소하고 부분적인 교통 관측치만을 사용하여 대규모 네트워크에서 다중 클래스 동적 OD 수요를 정확하게 추정할 수 있는가?
• RQ2 시간, 공간, 차량 유형에 걸쳐 다중 클래스 OD 수요를 효율적이고 확장 가능하며, 미분 가능한 방식으로 추정할 수 있는 계산 프레임워크는 무엇인가?
• RQ3 희소한 경로 및 링크 유량 데이터를 가진 다중 클래스 동적 네트워크에서 OD 수요에 대한 기울기 계산은 어떻게 향상시킬 수 있는가?
• RQ4 제안된 프레임워크는 실세계 대규모 네트워크에서 추정 정확도와 수렴 속도를 어느 정도 유지하는가?
• RQ5 이 프레임워크는 사전 지식을 통합하거나 링크 이동 시간에 대한 도함수 근사치를 향상시키기 위해 확장 가능할 수 있는가?

주요 결과

• Adagrad 최적화 방법을 사용한 전진-역행 알고리즘이 신속하게 수렴하여 대규모 네트워크에 대한 계산 타당성을 입증한다.
• 승용차와 트럭에 대해 각각 0.45와 0.51의 결정계수(R-squared)를 달성하여 추정된 링크 속도와 관측된 링크 속도 간의 중간 정도에서 양호한 정확도를 보인다.
• 초기 OD 수요와 단계 크기의 변동에도 추정 정확도가 강건하며, 민감도 분석을 통해 다양한 설정에서 안정성을 확인한다.
• 트리 기반 누적 곡선의 사용은 특히 대규모 네트워크에서 희소한 DAR 행렬에 대해 기울기 추정의 효율성을 크게 향상시킨다.
• 작은 시험 네트워크와 실세계 피츠버그 네트워크에서 모두 다중 클래스 OD 수요를 성공적으로 추정하였으며, 정책 수립에 유용한 이동 패턴 및 네트워크 영향력 통찰을 제공한다.
• GitHub에 공개된 MAC-POSTS와 MCDODE 프레임워크의 구현은 재현 가능성을 보장하고, 향후 확률적 OD 추정 및 파rameter 校정으로의 확장 가능성을 제공한다.