[논문 리뷰] "How do urban incidents affect traffic speed?" A Deep Graph Convolutional Network for Incident-driven Traffic Speed Prediction

Qinge Xie, Tiancheng Guo외 4명|arXiv (Cornell University)|2019. 12. 03.

Traffic Prediction and Management Techniques참고 문헌 36인용 수 9

한 줄 요약

이 논문은 도시 교통 속도 예측을 향상시키기 위해 사고 영향 특징을 공간-시간적 및 맥락적 데이터와 통합하는 딥 그래프 컨volution 네트워크인 DIGC-Net을 제안한다. 이중 분류기를 통해 핵심 사고를 발견하고 연속적인 잠재 영향 특징을 추출함으로써, DIGC-Net은 샌프란시스코와 뉴욕 시티의 출퇴근 시간 동안 기준 모델 대비 최대 89.50% 낮은 MAPE를 달성한다.

ABSTRACT

Accurate traffic speed prediction is an important and challenging topic for transportation planning. Previous studies on traffic speed prediction predominately used spatio-temporal and context features for prediction. However, they have not made good use of the impact of urban traffic incidents. In this work, we aim to make use of the information of urban incidents to achieve a better prediction of traffic speed. Our incident-driven prediction framework consists of three processes. First, we propose a critical incident discovery method to discover urban traffic incidents with high impact on traffic speed. Second, we design a binary classifier, which uses deep learning methods to extract the latent incident impact features from the middle layer of the classifier. Combining above methods, we propose a Deep Incident-Aware Graph Convolutional Network (DIGC-Net) to effectively incorporate urban traffic incident, spatio-temporal, periodic and context features for traffic speed prediction. We conduct experiments on two real-world urban traffic datasets of San Francisco and New York City. The results demonstrate the superior performance of our model compare to the competing benchmarks.

연구 동기 및 목표

• 도시 교통 사고의 변동 영향을 반영하지 못하는 교통 속도 예측 모델의 격차를 해소한다.
• 교통 흐름과 속도에 상당한 영향을 미치는 고영향 사고를 식별하고 정량화한다.
• 예측 정확도 향상을 위해 연속적인 잠재 사고 영향 특징을 추출하는 방법을 개발한다.
• 사고 영향, 공간-시간, 주기적, 맥락 특징을 통합하여 교통 속도 예측을 위한 유일한 딥 러닝 프레임워크를 구축한다.

제안 방법

• 이상도와 속도 변화를 활용하여 고영향 도시 사고를 식별하는 핵심 사고 탐지 방법을 제안한다.
• 딥 러닝을 활용한 이진 분류기를 설계하여 네트워크 중간층에서 잠재 사고 영향 특징을 추출한다.
• 비 유클리드 구조를 활용하여 도로 네트워크의 공간적 종속성을 모델링하기 위해 그래프 컨volution 네트워크(GCN)를 활용한다.
• 사고 영향 특징을 공간-시간, 주기적, 기상 특징과 통합하여 유일한 딥 임팩트 인식 그래프 컨볼루션 네트워크(DIGC-Net)를 구축한다.
• 공간-시간 구성 요소에 학습 가능한 유닛을 도입하여 다단계 속도 예측(k=1,2,3)을 가능하게 한다.
• 샌프란시스코와 뉴욕 시티의 실세계 데이터셋을 활용하여 비교 기준 테스트를 수행하기 위해 DIGC-Net을 훈련하고 평가한다.

실험 결과

연구 질문

• RQ1 다양한 도시 교통 사고가 교통 속도에 어떤 영향을 미치며, 고영향 사고와 저영향 사고를 어떻게 구별할 수 있는가?
• RQ2 고영향 사고는 도시 도로 네트워크 전반에서 고유한 공간-시간 패턴을 보이는가?
• RQ3 잠재 사고 영향 특징을 효과적으로 추출하고 교통 속도 예측 향상에 활용할 수 있는가?
• RQ4 공간-시간 및 맥락 특징만을 사용하는 모델에 비해 사고 데이터를 통합함으로써 예측 정확도 향상 정도는 어느 정도인가?

주요 결과

• 뉴욕 시티의 출퇴근 시간 동안 DIGC-Net은 경쟁 기준 모델 대비 최대 89.50% 낮은 MAPE를 기록한다.
• 샌프란시스코에서는 출퇴근 시간 동안 기준 모델 대비 DIGC-Net이 MAPE를 최대 89.50% 낮추며, 예측 수평 전반에서 안정적인 성능을 유지한다.
• 다단계 예측에서도 일관된 성능을 유지하며, 샌프란시스코에서 k=3(15분 예측)일 때 MAPE가 5.44% 상승하는 데 그치며, 이는 매우 낮은 성능 저하를 의미한다.
• 출퇴근 시간 동안 DIGC-Net과 LC-RNN 간의 성능 격차가 확대되어, 복잡한 교통 역학을 더 잘 처리함을 시사한다.
• 고밀도 교통 및 저밀도 교통 상황 모두에서 프레임워크의 강건성을 입증하였으며, 특히 정점 혼잡 시간대에 뚜렷한 향상이 있었다.
• 잠재 사고 영향 특징의 통합은 예측 정확도 향상에 실질적인 기여를 하며, 제안된 특징 추출 방법의 효과성을 입증한다.