[논문 리뷰] Neural Networks Model for Travel Time Prediction Based on ODTravel Time Matrix

Ayobami Adewale, Amnir Hadachi|arXiv (Cornell University)|2020. 04. 08.

Human Mobility and Location-Based Analysis참고 문헌 11인용 수 4

한 줄 요약

이 연구는 GPS 데이터에서 유도된 원천-도착(O-D) 이동 시간 행렬을 기반으로 한 신경망 기반 이동 시간 예측 모델을 제안한다. 다층 퍼셉트론(MLP)과 장기 단기 기억(LSTM) 네트워크를 비교하여, 두 모델 모두 정확한 예측을 달성하지만, LSTM은 관측된 이동 시간에 더 잘 적합하지만 예측 기간이 길어질수록 점점 노이즈에 더 민감해지는 것으로 나타났다(예: 두 단계 예측).

ABSTRACT

Public transportation system commuters are often interested in getting accurate travel time information to plan their daily activities. However, this information is often difficult to predict accurately due to the irregularities of road traffic, caused by factors such as weather conditions, road accidents, and traffic jams. In this study, two neural network models namely multi-layer(MLP) perceptron and long short-term model(LSTM) are developed for predicting link travel time of a busy route with input generated using Origin-Destination travel time matrix derived from a historical GPS dataset. The experiment result showed that both models can make near-accurate predictions however, LSTM is more susceptible to noise as time step increases.

연구 동기 및 목표

• 역사적 GPS 데이터에서 유도된 O-D 이동 시간 행렬을 사용하여 대중교통 노선의 이동 시간 예측을 위한 신경망 모델을 개발하는 것.
• 이동 시간 예측에서 다층 퍼셉트론(MLP)과 장기 단기 기억(LSTM) 네트워크의 예측 정확도를 비교하는 것.
• 짧은 이동 시간(단거리)과 긴 이동 시간(장거리) 간의 성능을 평가하고, 정점 시간대와 비정점 시간대에서의 성능을 비교하는 것.
• 시간 단계를 늘릴수록 LSTM 모델의 강인성과 노이즈 민감도에 미치는 영향을 조사하는 것.
• 지능형 교통 시스템에서 실시간 이동 시간 추정 향상을 위해 딥러닝 모델의 잠재력을 탐색하는 것.

제안 방법

• 공공 버스 노선의 역사적 GPS 궤적 데이터에서 원천-도착(O-D) 이동 시간 행렬을 구축했다.
• 모델의 일반화를 보장하기 위해 데이터셋을 70% 훈련, 15% 검증, 15% 테스트로 분할했다.
• 입력 뉴런 5개, 두 개의 은닉층(12개 및 50개 뉴런), 출력 뉴런 1개를 가진 다층 퍼셉트론(MLP)을 설계했다.
• 입력 뉴런 3개, 두 개의 은닉층(80개 및 100개 뉴런), 출력 뉴런 1개를 가진 LSTM 모델을 설계했으며, Adam 최적화 방법과 배치 크기 3을 사용했다.
• 예측 성능을 평가하기 위해 제곱근 평균 제곱오차(RMSE)를 사용했으며, 수식은 $ \text{RMSE} = \sqrt{\frac{1}{z} \sum (tt^{j}_{a,b} - TT^{j}_{a,b})^2} $ 로 정의되며, 여기서 $ z $ 는 테스트 샘플 수이다.
• MLP는 adaGrad 최적화 방법을 사용해 1,000 에포크 동안, LSTM는 Adam 최적화 방법을 사용해 2,000 에포크 동안 훈련시켰다.

실험 결과

연구 질문

• RQ1 GPS 데이터에서 유도된 O-D 이동 시간 행렬을 기반으로 훈련된 MLP 및 LSTM 모델이 링크 이동 시간을 얼마나 정확하게 예측할 수 있는가?
• RQ2 LSTM 모델이 이동 시간 시계열의 시간적 의존성을 포착하는 데 MLP 모델보다 뛰어난가?
• RQ3 단거리 이동(0–35분 이내)과 장거리 이동(35분 초과) 간의 예측 정확도는 어떻게 달라지는가?
• RQ4 정점 시간대와 비정점 시간대에서 두 모델의 예측 성능에 어떤 영향을 미치는가?
• RQ5 예측 시간 단계를 늘리면(예: 한 단계에서 두 단계로), LSTM 모델의 강인성과 노이즈 민감도에 어떤 영향을 미치는가?

주요 결과

• MLP 모델은 단거리 이동에 대해 RMSE가 1.17–1.20분, 장거리 이동에 대해 2.48–2.61분을 기록했으며, 정점 및 비정점 시간대 간에 변화가 거의 없었다.
• LSTM 모델은 관측된 이동 시간에 대해 MLP보다 더 우수한 적합도를 보였으며, 특히 정점 및 비정점 시간대에서 시간적 패턴을 잘 포착했다.
• 두 단계 예측에서는 LSTM 모델의 성능이 심각하게 저하되었는데, 이는 오차 누적이 장기 예측에서 노이즈에 더 민감하게 작용함을 시사한다.
• 30분 이상 지속되는 이동에 대해서는 두 모델 모두 예측 오차가 10% 이내를 유지하여 장거리 이동에 대해 뛰어난 성능를 보였다.
• LSTM 모델은 전체적으로 더 높은 예측 정확도를 달성했지만, 한 단계를 초월해 예측할 경우 노이즈 전파로 인해 성능이 저하되었다.
• 이 연구는 딥러닝 모델(예: LSTM)이 이동 시간 예측에 효과적임을 확인했지만, 장기 예측 기간 동안의 노이즈 민감도가 여전히 핵심적인 제약임을 밝혔다.