[논문 리뷰] Origin-Destination Travel Time Oracle for Map-based Services

Lin Yan, Huaiyu Wan외 5명|arXiv (Cornell University)|2023. 07. 06.

Traffic Prediction and Management Techniques인용 수 5

한 줄 요약

이 논문은 역사적 궤적을 활용하여 정확하고 해석 가능한 이동 시간을 추정할 수 있는 Origin-Destination Travel Time Oracle (ODT-Oracle)를 구축하기 위한 이단계 프레임워크인 DOT을 제안한다. 이는 이상치 궤적을 걸러내며 대표적인 이동 경로를 추론하는 조건부 픽셀화된 궤적(PiT) 디노이저를 사용하고, 그 다음으로 정밀한 이동 시간 추정을 위해 마스크된 비전 트랜스포머(MViT)를 적용한다. 실제 데이터셋에서 기존 모델들에 비해 정확도, 확장성, 해석 가능성 면에서 뛰어난 성능을 보였다.

ABSTRACT

Given an origin (O), a destination (D), and a departure time (T), an Origin-Destination (OD) travel time oracle~(ODT-Oracle) returns an estimate of the time it takes to travel from O to D when departing at T. ODT-Oracles serve important purposes in map-based services. To enable the construction of such oracles, we provide a travel-time estimation (TTE) solution that leverages historical trajectories to estimate time-varying travel times for OD pairs. The problem is complicated by the fact that multiple historical trajectories with different travel times may connect an OD pair, while trajectories may vary from one another. To solve the problem, it is crucial to remove outlier trajectories when doing travel time estimation for future queries. We propose a novel, two-stage framework called Diffusion-based Origin-destination Travel Time Estimation (DOT), that solves the problem. First, DOT employs a conditioned Pixelated Trajectories (PiT) denoiser that enables building a diffusion-based PiT inference process by learning correlations between OD pairs and historical trajectories. Specifically, given an OD pair and a departure time, we aim to infer a PiT. Next, DOT encompasses a Masked Vision Transformer~(MViT) that effectively and efficiently estimates a travel time based on the inferred PiT. We report on extensive experiments on two real-world datasets that offer evidence that DOT is capable of outperforming baseline methods in terms of accuracy, scalability, and explainability.

연구 동기 및 목표

• 같은 출발지-도착지(OD) 쌍과 출발 시간에 대해 지도 기반 서비스에서 이상치 궤적으로 인한 이동 시간 추정의 부정확성 문제를 해결하기 위해.
• 역사적 궤적의 공간-시간 상관관계를 모델링하여 ODT-Oracle의 정확도와 해석 가능성 향상을 위해.
• 세부 경로 정보가 필요 없이도 가장 가능성이 높은 이동 경로(PiT)를 추론하고 이동 시간을 추정할 수 있는 확장 가능한 프레임워크를 개발하기 위해.
• 이상치 또는 노이즈가 많은 궤적의 영향을 줄이기 위해 대표 궤적 패턴을 학습함으로써 이동 시간 추정에 영향을 최소화하기 위해.
• 시각화 가능한 추론된 PiT 표현을 통해 고정밀도와 해석 가능성 모두를 확보하는 모델을 제공하기 위해.

제안 방법

• OD 쌍과 출발 시간을 입력으로 받아 역사적 궤적과 OD 입력 간의 상관관계를 학습하는 조건부 픽셀화된 궤적(PiT) 디노이저를 제안한다. 이는 이동 경로의 대표적인 공간-시간 표현을 추론한다.
• PiT 디노이저는 확산 기반 모델로, 노이즈가 섞인 PiT를 점진적으로 정제하여 이상치에 강건한 실현 가능한 궤적 표현을 복원한다.
• 추론된 PiT는 이후 마스크된 비전 트랜스포머(MViT)를 통해 처리되며, PiT 내의 전역적인 공간-시간 의존성을 모델링하여 최종 이동 시간을 추정한다.
• MViT는 추론된 PiT에 포함된 공간 레이아웃과 시간 오프셋을 인코딩하여 이동 시간을 예측하도록 엔드 투 엔드로 훈련된다.
• 프레임워크는 두 개의 실제 궤적 데이터셋에서 훈련 및 평가되었으며, 성능은 RMSE, MAE 및 경로 추론 지표(정밀도, 재현율, F1)로 측정되었다.
• 모델은 시간의 변화를 명시적으로 처리하여 출발 시간에 따라 다른 이동 패턴이 어떻게 달라지는지 학습함으로써 시간 인식 기반의 이동 시간 추정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 확산 기반 모델이 이상치 궤적을 걸러내며 OD 쌍과 출발 시간에서 대표적인 이동 경로(PiT)를 효과적으로 추론할 수 있는가?
• RQ2 추론된 PiT는 하루 동안 다양한 시간대에서의 실제 이동 행동의 공간-시간 패턴을 얼마나 정확히 반영하는가?
• RQ3 동일한 PiT 입력을 사용하는 기존 모델 대비 MViT 구성 요소가 이동 시간 추정 정확도에 얼마나 기여하는가?
• RQ4 기존의 ODT-Oracle 방법에 비해 이 프레임워크가 정확도, 확장성, 해석성 면에서 뛰어난 성능을 달성할 수 있는가?
• RQ5 역사적 궤적이 크게 다를 경우, 특히 예측할 수 없는 OD 쌍과 출발 시간에 대해 모델의 일반화 능력은 얼마나 뛰어난가?

주요 결과

• DOT는 경로 추론에서 창두 데이터셋에서 F1 점수 88.280%, 하얼빈 데이터셋에서 88.584%를 기록하여 Dijkstra(42.065%)와 DeepST(56.911%)를 크게 앞서는 최신 기술 수준의 성능을 달성했다.
• 이동 시간 추정의 RMSE는 기존 모델들보다 뚜렷이 낮아지며, 두 데이터셋 모두에서 높은 정확도를 보여 이질적인 궤적 변화에 대한 강건성을 입증했다.
• PiT 추론 단계는 이상치 궤적을 효과적으로 제거한다. 사례 연구에서 네 개의 궤적 중 하나가 현저히 길었음에도 불구하고(35분 대비 15분), 모델은 정제된 PiT를 정확히 추론하여 추정치의 오염을 방지했다.
• 추론된 PiT는 하루 동안 다양한 시간대의 실제 이동 시간과 밀도 높은 일치를 보이며, 그림 12에서 모델이 시간에 따라 변화하는 교통 조건을 고정밀도로 반영하고 있음을 보여준다.
• MViT 구성 요소는 PiT 내의 전역적인 공간-시간 의존성을 효율적이고 정밀하게 모델링하여, 경로 기반 또는 평균 기반 방법에 비해 열등한 예측 성능을 보인다.
• 시각화 가능한 PiT 덕분에 모델의 해석 가능성은 향상되었으며, 이는 주어진 쿼리에 대해 가장 가능성이 높은 이동 경로를 직관적이고 이해하기 쉬운 방식으로 제공한다.