[논문 리뷰] Incorporating Kinematic Wave Theory into a Deep Learning Method for High-Resolution Traffic Speed Estimation

Bilal Thonnam Thodi, Zaid Saeed Khan외 2명|arXiv (Cornell University)|2021. 02. 04.

Traffic Prediction and Management Techniques참고 문헌 50인용 수 64

한 줄 요약

이 논문은 희소한 프로브 차량 데이터로부터 고해상도 교통 속도 추정을 위해 운동파 이론을 딥 컨volution 신경망(CNN)에 통합하는 물리 기반 딥 러닝 모델을 제안한다. 비등방성 커널을 사용해 시공간 파동 전파를 인코딩하고 시뮬레이션된 데이터로 훈련함으로써, 모델 복잡도를 낮추고 물리적 일관성을 향상시키며 다양한 프로브 차량 침투율에서도 뛰어난 일반화 성능을 달성하여 기존의 표준 데이터 기반 접근 방식을 능가한다.

ABSTRACT

We propose a kinematic wave-based Deep Convolutional Neural Network (Deep CNN) to estimate high-resolution traffic speed fields from sparse probe vehicle trajectories. We introduce two key approaches that allow us to incorporate kinematic wave theory principles to improve the robustness of existing learning-based estimation methods. First, we propose an anisotropic traffic kernel for the Deep CNN. The anisotropic kernel explicitly accounts for space-time correlations in macroscopic traffic and effectively reduces the number of trainable parameters in the Deep CNN model. Second, we propose to use simulated data for training the Deep CNN. Using a targeted simulated data for training provides an implicit way to impose desirable traffic physical features on the learning model. In the experiments, we highlight the benefits of using anisotropic kernels and evaluate the transferability of the trained model to real-world traffic using the Next Generation Simulation (NGSIM) and the German Highway Drone (HighD) datasets. The results demonstrate that anisotropic kernels significantly reduce model complexity and model over-fitting, and improve the physical correctness of the estimated speed fields. We find that model complexity scales linearly with problem size for anisotropic kernels compared to quadratic scaling for isotropic kernels. Furthermore, evaluation on real-world datasets shows acceptable performance, which establishes that simulation-based training is a viable surrogate to learning from real-world data. Finally, a comparison with standard estimation techniques shows the superior estimation accuracy of the proposed method.

연구 동기 및 목표

• 희소한 프로브 차량 데이터로부터 고해상도 교통 속도 필드를 추정하는 문제에 대응한다.
• 도메인 특화 교통 물리 법칙을 통합함으로써 딥 러닝 모델의 교통 상태 추정에서의 강건성과 물리적 일관성을 향상시킨다.
• 저데이터 환경에서도 정확도를 유지하면서 모델 복잡도와 과적합을 줄인다.
• 데이터 분포에 대한 사전 지식 없이도 다양한 프로브 차량 침투율 간의 일반화를 가능하게 한다.
• 시뮬레이션 기반 훈련이 교통 추정을 위한 딥 러닝에서 실세계 데이터의 대체 수단으로서의 타당성을 입증한다.

제안 방법

• 운동파 이론에 기반해 교통 파동의 방향성 전파(자유 주행 시 전방, 혼잡 시 후방)를 반영한 비등방성 컨volution 커널을 도입한다.
• 수용 필드를 물리적으로 타당한 시공간 경로로 제한함으로써 CNN 아키텍처를 재구성하여 파rameter 수를 감소시키고 해석 가능성을 향상시킨다.
• 현미경적 교통 시뮬레이터에서 생성한 합성 교통 데이터 전용으로 모델을 훈련시켜 현실적인 교통 역학과 파동 행동을 통합한다.
• 다양한 교통 상태(자유 주행, 혼잡, 정지-재시작)를 커버하기 위해 타겟팅된 시뮬레이션 데이터를 활용하여 모델이 정확한 파동 속도를 학습하도록 한다.
• 다양한 침투율에서 훈련된 프로브별 모델의 예측을 조합하는 앙상블 모델을 구현하여 데이터 희소성에 대한 모델의 강건성을 확보한다.
• 손실 함수 정규화가 아닌 아키텍처 설계를 통해 물리 기반 정규화 전략을 적용하여 교통 역학을 네트워크 구조 자체에 직접 통합한다.

실험 결과

연구 질문

• RQ1 교통 파동 전파를 반영한 비등방성 컨volution 커널이 교통 속도 추정을 위한 딥 러닝 모델의 물리적 타당성과 강건성에 기여하는가?
• RQ2 실세계 데이터와 비교해 시뮬레이션된 데이터로 훈련했을 때 모델의 일반화 능력과 미관측 교통 조건에서의 성능은 어떻게 되는가?
• RQ3 비등방성 커널 대비 등방성 커널을 사용할 경우 문제 크기 증가에 따라 모델 복잡도가 얼마나 증가하는가?
• RQ4 프로브별 모델의 앙상블은 침투율에 대한 사전 지식 없이도 다양한 프로브 차량 침투율에 효과적으로 일반화할 수 있는가?
• RQ5 CNN 아키텍처에 운동파 이론을 통합하면 기존의 등방성 CNN에 비해 더 정확하고 물리적으로 일관된 충격파 추정이 가능한가?

주요 결과

• 비등방성 커널을 사용할 경우 문제 크기와 선형적으로 증가하는 모델 복잡도를 달성하여 등방성 커널 대비 제곱형 증가를 피함으로써 파rameter 수를 크게 줄이고 과적합 위험을 낮춘다.
• 비등방성 커널을 통한 모델은 정확한 후방 파동 전파를 통해 혼잡 상태에서 물리적으로 올바른 교통 충격파를 생성하는 반면, 등방성 모델은 이를 포착하지 못한다.
• 시뮬레이션된 데이터로 훈련한 모델은 실세계 데이터셋(NGSIM 및 HighD)에서도 뛰어난 전이 성능를 보이며, 시뮬레이션 데이터가 실세계 데이터의 타당한 대체 수단임을 확인한다.
• 프로브별 네트워크의 앙상블 모델은 모든 프로브 차량 침투율(5%에서 70%)에서 일관된 성능을 보이며, 단일 일반 모델보다 우수하고 개별 프로브별 모델보다 더 우수한 일반화 능력을 확보한다.
• 특히 저데이터 환경과 복잡한 파동 역학에서 기존의 표준 데이터 기반 및 모델 기반 기법에 비해 더 높은 추정 정확도를 달성한다.
• 등방성 모델과 유사한 추정 오차를 유지하면서도 훨씬 향상된 모델 단순성과 물리적 일관성을 확보한다.