[논문 리뷰] Road Network Guided Fine-Grained Urban Traffic Flow Inference

Lingbo Liu, Mengmeng Liu외 4명|arXiv (Cornell University)|2021. 09. 29.

Traffic Prediction and Management Techniques참고 문헌 8인용 수 5

한 줄 요약

이 논문은 거리 네트워크 구조를 사전 지식으로 활용하여 군집된 센서 데이터에서 정밀한 도시 교통 흐름을 추론하는 딥러닝 모델인 Road-Aware Traffic Flow Magnifier (RATFM)을 제안한다. 다중 방향 1D 컨볼루션을 통해 도로 특징을 추출하고, 장거리 상관관계를 모델링하기 위해 트랜스포머 기반 모듈을 사용함으로써, 세 가지 실세계 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하였으며, 이전 방법 대비 최대 16.83%의 MAPE 감소를 이룩하였다.

ABSTRACT

Accurate inference of fine-grained traffic flow from coarse-grained one is an emerging yet crucial problem, which can help greatly reduce the number of the required traffic monitoring sensors for cost savings. In this work, we notice that traffic flow has a high correlation with road network, which was either completely ignored or simply treated as an external factor in previous works. To facilitate this problem, we propose a novel Road-Aware Traffic Flow Magnifier (RATFM) that explicitly exploits the prior knowledge of road networks to fully learn the road-aware spatial distribution of fine-grained traffic flow. Specifically, a multi-directional 1D convolutional layer is first introduced to extract the semantic feature of the road network. Subsequently, we incorporate the road network feature and coarse-grained flow feature to regularize the short-range spatial distribution modeling of road-relative traffic flow. Furthermore, we take the road network feature as a query to capture the long-range spatial distribution of traffic flow with a transformer architecture. Benefiting from the road-aware inference mechanism, our method can generate high-quality fine-grained traffic flow maps. Extensive experiments on three real-world datasets show that the proposed RATFM outperforms state-of-the-art models under various scenarios. Our code and datasets are released at {\url{https://github.com/luimoli/RATFM}}.

연구 동기 및 목표

• 제한된 군집된 센서 데이터로부터 고해상도 교통 흐름 지ap을 생성하는 데 도전하는 것.
• 교통 흐름과 도로 네트워크 간의 구조적 상관관계를 사전 지식으로 활용하여 추론 성능을 향상시키는 것.
• 도로 인식 메커니즘을 사용하여 교통 흐름의 단기 및 장기 공간적 의존성을 모델링하는 것.
• 실시간 도시 교통 모니터링에 적합한 정확하고 효율적인 방법을 개발하는 것.

제안 방법

• 고해상도 지리적 지ap에서 정교한 도로 네트워크 특징을 추출하기 위해 다중 방향 1D 컨볼루션 레이어를 사용한다.
• 도로 네트워크 특징을 군집된 교통 흐름 특징과 융합하여 단기 공간 분포 모델링을 정규화한다.
• 트랜스포머 기반 모듈이 도로 네트워크 특징을 쿼리로 사용하여 교통 흐름의 장거리 공간적 의존성을 포착한다.
• 시간 및 기상과 같은 외부 요소는 전용 모델링 모듈을 통해 통합되어 시간적 일반화 성능을 향상시킨다.
• 정밀한 흐름 예측을 위해 L1 및 L2 정규화를 조합한 다중 과제 손실을 사용하여 엔드 투 엔드로 모델을 훈련시킨다.
• 잔차 블록과 어텐션 메커니즘을 조합하여 공간적 구조를 유지하면서 특징 표현을 향상시킨다.

실험 결과

연구 질문

• RQ1 도로 네트워크 구조가 정밀한 교통 흐름 추론 향상에 효과적으로 활용될 수 있는가?
• RQ2 도로 네트워크가 얇고 길쭉한 성질을 지닌 점을 감안할 때, 표준 2D 컨볼루션보다 더 효과적으로 도로 네트워크를 모델링할 수 있는가?
• RQ3 장거리 교통 흐름 의존성을 포착하기 위해 트랜스포머 모듈의 최적 설정은 무엇인가?
• RQ4 도로 인식 특징의 통합이 다양한 도시 환경에서 성능에 미치는 영향은 어떠한가?
• RQ5 제안된 방법은 역사적 데이터가 제한된 실세계 교통 예측 작업에 일반화 가능한가?

주요 결과

• RATFM은 TaxiBJ-P1 데이터셋에서 가장 낮은 MAPE 16.83%를 기록하여 모든 최신 기술 수준(SOTA) 방법을 압도하였다.
• RATFM은 TaxiBJ-P1 데이터셋에서 최고의 베이스라인 대비 최대 16.83%의 MAPE 감소를 달성하였다.
• 8개의 어텐션 헤드와 2개의 트랜스포머 레이어 조합이 최고의 성능을 보였으며, 헤드 수나 레이어 수를 더 늘릴수록 성능 저하가 발생하였다.
• RATFM은 XiAn 데이터셋에서 32.99%의 MAPE, ChengDu 데이터셋에서 27.84%의 MAPE를 기록하여 비교된 모든 모델을 능가하였다.
• XiAn&ChengDu에서 RATFM의 추론 시간은 16.73ms이며, TaxiBJ-P1에서는 24.94ms로 실시간 응용에 적합하다.
• 절단 분석 결과 도로 네트워크 사전 지식이 성능 향상에 크게 기여하며, 특히 신호가 약한 군집된 데이터 상황에서 두드러진다.