[논문 리뷰] Road traffic reservoir computing

Hiroyasu Ando, Hanten Chang|arXiv (Cornell University)|2019. 12. 02.

Neural Networks and Reservoir Computing참고 문헌 4인용 수 5

한 줄 요약

이 논문은 도로 네트워크의 실제 교통 동역학을 물리적 저장소로 활용하여 저비용으로 구현 가능한 기계학습을 위한 도로 교통 리저보아르 컴퓨팅을 제안한다. 밀도 유동과 단계 역학을 포함한 격자 기반 교통 모델을 사용하여 수치 시뮬레이션을 수행한 결과, 중간 크기의 저장소와 짧거나 중간 수준의 예측 기간 동안 교통 밀도 및 온도를 중간 정도의 정확도로 예측할 수 있음을 입증하였다.

ABSTRACT

Reservoir computing derived from recurrent neural networks is more applicable to real world systems than deep learning because of its low computational cost and potential for physical implementation. Specifically, physical reservoir computing, which replaces the dynamics of reservoir units with physical phenomena, has recently received considerable attention. In this study, we propose a method of exploiting the dynamics of road traffic as a reservoir, and numerically confirm its feasibility by applying several prediction tasks based on a simple mathematical model of the traffic flow.

연구 동기 및 목표

• 실제 도로 교통 동역학을 물리적 저장소로 사용할 수 있는지의 실현 가능성을 탐색하기 위해.
• 컴퓨터 공간 계산에만 의존하는 것과는 달리, 물리적 교통 현상에 처리 작업을 이관하여 계산 비용을 줄이기 위해.
• LWR 기반 밀도 모델과 다중 에이전트 최적 속도 모델을 포함한 교통 흐름의 단순화된 수학적 모델을 사용하여 개념을 검증하기 위해.
• 다양한 저장소 크기, 예측 기간, 네트워크 구성에서의 예측 성능을 평가하기 위해.

제안 방법

• 교차로에 신호등이 있는 N×N 격자로 도로 네트워크를 모델링하며, 각 교차로의 단계 θi 는 이산 시간 동역학 시스템에 의해 제어된다.
• 입력의 비선형 변환을 형성하기 위해 단계 θi 와 유입량 u_i(t) 의 삼각함수를 사용하여 저장소 단위 상태 X¹i(t) 와 X²i(t) 를 정의한다.
• 밀도에 비례하는 흐름(자유 흐름)을 가진 밀도 기반 교통 흐름 모델을 구현하며, 유입량 u_i(t) 는 인근 도로의 밀도에서 유도된다.
• 각 교차로에서 오른쪽, 왼쪽, 직진 유출 확률을 확률적으로 정의하며, 경계 노드는 단순화를 위해 제외된다.
• 리지 회귀를 사용하여 선형 출력층을 훈련시켜 저장소 상태를 사용해 교통 밀도 또는 외부 신호(예: 도시 온도)를 예측한다.
• 간단한 밀도 모델과 최적 속도 규칙을 가진 다중 에이전트 모델에 대해 이 방법을 적용하여, 여러 시행 동안 예측 정확도를 테스트한다.

실험 결과

연구 질문

• RQ1 복잡하고 집단적인 도로 교통의 역학이 기계학습 작업을 위한 기능적 저장소로 작용할 수 있는가?
• RQ2 저장소 크기(비율 p 또는 도로 수 M)가 교통 흐름 모델링에서 예측 정확도에 미치는 영향은 어떠한가?
• RQ3 교통 역학은 국지적 밀도 외에도 도시 온도와 같은 외부 신호를 합리적인 정확도로 예측할 수 있는가?
• RQ4 지속 예측 기간 T 가 저장소 계산 프레임워크 내에서 예측 성능에 미치는 영향은 어떠한가?
• RQ5 왜 지연된 예측이 관찰되는가? 더 나은 출력 모델링을 통해 이를 완화할 수 있는가?

주요 결과

• 예측 정밀도는 저장소 크가 증가함에 따라 향상되며, 중간 크기의 저장소 비율(예: p = 0.5)에서 양호한 성능을 보이며, 매우 작은 저장소에서는 지연되거나 정확도가 떨어지는 결과를 보였다.
• 밀도 모델의 경우, 지속 예측 기간 T 가 증가할수록 정밀도가 감소하지만, T = 10 단계(150분)까지는 예측이 가능하며, 평균 결과에서는 안정적인 성능을 보였다.
• N=3 인 다중 에이전트 모델에서, 24개 도로 중 20개를 훈련에 사용했을 때 4개의 생략된 도로에 대한 예측이 중간 정도의 정확도로 이루어졌으며, 부분 데이터에 대한 강건성을 보였다.
• 시스템은 폐쇄형 루프 운영을 달성한다: 저장소에 외부 입력이 필요 없으며, 내부 상태는 오직 교통 동역학에 의해 진화한다.
• 시간 시리즈가 복잡하거나 τi 값이 변동할 경우 지연된 예측이 관찰되며, 이는 시간 정렬의 한계를 시사하며, 출력 모델을 개선함으로써 이를 해결할 수 있을 것으로 보인다.
• 이 방법은 자유 흐름 및 혼합 흐름 교통 상황 모두에서 실현 가능성을 입증하여, 실시간 교통 데이터를 활용한 실세계 적용 가능성에 기여한다.