[논문 리뷰] Nonlinear Traffic Prediction as a Matrix Completion Problem with Ensemble Learning

Wenqing Li, Chuhan Yang외 1명|arXiv (Cornell University)|2020. 01. 08.

Traffic Prediction and Management Techniques참고 문헌 67인용 수 22

한 줄 요약

이 논문은 신호 제어 교차로에서 고해상도(초당) 교통 예측을 위한 블록좌표강하와 앙상블 학습을 통합한 새로운 행렬 완성 프레임워크를 제안한다. 교통 상태를 저질수 행렬로 모델링하고 역사적 데이터를 적응형 부스팅을 통해 활용함으로써, 하위선형 수렴과 최신 기술 수준의 정확도를 달성한다. 실제 아부다비 데이터에서 순환 신경망(RNN)에 비해 계산 효율성이 뛰어나면서도 예측 정확도는 유사하게 유지한다.

ABSTRACT

This paper addresses the problem of short-term traffic prediction for signalized traffic operations management. Specifically, we focus on predicting sensor states in high-resolution (second-by-second). This contrasts with traditional traffic forecasting problems, which have focused on predicting aggregated traffic variables, typically over intervals that are no shorter than 5 minutes. Our contributions can be summarized as offering three insights: first, we show how the prediction problem can be modeled as a matrix completion problem. Second, we employ a block-coordinate descent algorithm and demonstrate that the algorithm converges in sub-linear time to a block coordinate-wise optimizer. This allows us to capitalize on the "bigness" of high-resolution data in a computationally feasible way. Third, we develop an ensemble learning (or adaptive boosting) approach to reduce the training error to within any arbitrary error threshold. The latter utilizes past days so that the boosting can be interpreted as capturing periodic patterns in the data. The performance of the proposed method is analyzed theoretically and tested empirically using both simulated data and a real-world high-resolution traffic dataset from Abu Dhabi, UAE. Our experimental results show that the proposed method outperforms other state-of-the-art algorithms.

연구 동기 및 목표

• 적응 신호 제어 시스템을 위한 초당 해상도의 단기 교통 예측 문제를 해결하기 위해.
• 센서 데이터의 시간적·공간적 상관관계를 활용하기 위해 고해상도 교통 예측을 행렬 완성 문제로 모델링하기 위해.
• 대규모 교통 데이터에 대해 하위선형 수렴을 보장하는 계산 효율적인 블록좌표강하 알고리즘을 개발하기 위해.
• 역사적 데이터에서 주기적 패턴을 포착하는 앙상블 학습을 통해 학습 오차를 임의의 임계값 이내로 감소시키기 위해.
• 아랍에미리트 아부다비에서 확보한 실제 고해상도 교통 데이터를 기반으로 본 방법을 실증적으로 검증하고 최신 기술 수준의 기준 모델들과 비교하기 위해.

제안 방법

• 관측된 시간과 공간에 따른 센서 상태가 부분적으로 관측된 행렬을 이룰 수 있도록, 교통 예측을 저질수 행렬 완성 문제로 공식화한다.
• 행렬 완성 목적함수를 최적화하기 위해 블록좌표강하(BCD) 알고리즘을 적용하여 하위선형 시간 내 수렴을 보장한다.
• 과거 일수의 데이터를 예측자로 활용함으로써 반복적으로 예측을 향상시키는 앙상블 학습(적응형 부스팅) 프레임워크를 도입한다.
• 비선형 교통 동역학을 모델링하기 위해 BCD 프레임워크 내에서 커널 회귀와 희소 근사 기법을 사용한다.
• 역사적 일수를 부스팅 과정에서 약한 학습자로 활용하여 주기성을 통합함으로써 패턴 포착 능력을 향상시킨다.
• 스푸르 컴plement 기반 업데이트 규칙을 사용하여 행렬 완성 목적함수를 최적화함으로써 계산 확장성을 확보한다.

실험 결과

연구 질문

• RQ1 고해상도 교통 예측은 공간·시간 상관관계를 효과적으로 활용하기 위해 행렬 완성 문제로 효과적으로 모델링될 수 있는가?
• RQ2 제안된 블록좌표강하 알고리즘이 대규모 교통 데이터에 대해 하위선형 수렴을 달성하는가?
• RQ3 역사적 데이터를 활용한 앙상블 학습이 학습 오차를 감소시키고 초당 예측에서 주기적 교통 패턴을 포착할 수 있는가?
• RQ4 실제 고해상도 데이터에서 제안된 방법은 RNN 및 SVR과 같은 최신 기술 수준의 모델들과 비교해 정확도와 계산 효율성 면에서 어떻게 성능을 내는가?
• RQ5 이 방법은 예측되지 않은 데이터에 대해 얼마나 잘 일반화되는가? 그리고 테스트 오차는 학습 오차에 얼마나 가까운가?

주요 결과

• 제안된 B-BCD 방법은 실제 아부다비 데이터에서 테스트 정확도가 0.8858 ± 0.0213 (1 − dM1) 및 0.9091 ± 0.0211 (1 − ϵMAE)를 기록하여 BCD, SVR, TS-GLM를 뛰어나며, 거의 RNN과 동등한 성능을 보였다.
• 블록좌표강하 알고리즘이 하위선형 수렴을 보였으며, 학습 및 테스트 정확도 곡선이 빠르게 수렴함으로써 강력한 일반화 능력을 나타냈다.
• 쌍체 t-검정 결과, B-BCD는 1 − dM1 및 1 − ϵMAE 지표 모두에서 BCD, SVR, TS-GLM를 유의미하게 뛰어넘었으며(p < 0.05), RNN과 비교할 땐 유의미한 차이가 없었다.
• 앙상블 학습 접근법은 학습 오차를 임의의 임계값 이내로 감소시켰고, 역사적 데이터를 예측자로 활용함으로써 주기적 패턴을 효과적으로 포착했다.
• RNN과 유사한 정확도를 달성했지만 계산 비용이 크게 낮아 실시간 적응형 교통 제어에 적합한 성능을 보였다.
• 실증 결과, 외부 샘플 오차가 학습 오차와 10% 이내로 차이가 나, 좋은 일반화 성능을 보였다.