[논문 리뷰] Scalable Low-Rank Autoregressive Tensor Learning for Spatiotemporal Traffic Data Imputation.

Xinyu Chen, Yixian Chen외 1명|arXiv (Cornell University)|2020. 08. 07.

Traffic Prediction and Management Techniques인용 수 2

한 줄 요약

이 논문은 대규모 시공간 교통 데이터 복원을 위한 확장 가능한 저질서 자동회귀 텐서 완성 모델인 LATC-Tubal을 제안한다. 유니터리 변환과 튜벌 핵노름 최소화를 통합함으로써 매일의 효율적인 특이값 임계처리를 가능하게 하면서도 일간 상관관계를 유지하여, 실제 11,160개 센서를 가진 PeMS 데이터셋에서 기존 모델에 비해 훨씬 낮은 계산 비용으로 최신 기술 수준의 정확도를 달성한다.

ABSTRACT

Missing value problem in spatiotemporal traffic data has long been a challenging topic, in particular for large-scale and high-dimensional data with complex missing mechanisms and diverse degrees of missingness. Recent studies based on tensor nuclear norm have demonstrated the superiority of tensor learning in imputation tasks by effectively characterizing the complex correlations/dependencies in spatiotemporal data. However, despite the promising results, these approaches do not scale well to large tensors. In this paper, we focus on addressing the missing data imputation problem for large-scale spatiotemporal traffic data. To achieve both high accuracy and efficiency, we develop a scalable autoregressive tensor learning model---Low-Tubal-Rank Autoregressive Tensor Completion (LATC-Tubal)---based on the existing framework of Low-Rank Autoregressive Tensor Completion (LATC), which is well-suited for spatiotemporal traffic data that characterized by multidimensional structure of location$ imes$ time of day $ imes$ day. In particular, the proposed LATC-Tubal model involves a scalable tensor nuclear norm minimization scheme by integrating linear unitary transformation. Therefore, the tensor nuclear norm minimization can be solved by singular value thresholding on the transformed matrix of each day while the day-to-day correlation can be effectively preserved by the unitary transform matrix. Before setting up the experiment, we consider two large-scale 5-minute traffic speed data sets collected by the California PeMS system with 11160 sensors. We compare LATC-Tubal with state-of-the-art baseline models, and find that LATC-Tubal can achieve competitively accuracy with a significantly lower computational cost. In addition, the LATC-Tubal will also benefit other tasks in modeling large-scale spatiotemporal traffic data, such as network-level traffic forecasting.

연구 동기 및 목표

• 복잡한 누락 메커니즘을 가진 대규모 고차원 시공간 교통 데이터에서의 누락 데이터 문제를 해결한다.
• 큰 텐서에 대해 기존의 텐서 핵노름 기반 복원 방법의 확장성 한계를 극복한다.
• 선형 유니터리 변환을 통해 효율적인 계산을 가능하게 하면서도 교통 데이터의 일간 상관관계를 유지한다.
• 실제 구현에 적합한 높은 복원 정확도를 유지하면서도 계산 비용을 크게 줄이는 모델을 개발한다.
• 복원을 넘어서 네트워크 수준의 교통 예측과 같은 관련 작업에까지 광범위하게 적용 가능하도록 한다.

제안 방법

• 시공간 교통 데이터의 3차원 구조(위치 × 시간대 × 일)를 고려해 저질서 자동회귀 텐서 완성(LATC) 기반의 새로운 텐서 완성 프레임워크인 LATC-Tubal을 제안한다.
• 유니터리 변환을 통해 튜벌 핵노름 최소화 기법을 도입하여 매일의 3차원 텐서를 2차원 행렬 집합으로 변환함으로써 효율적인 특이값 임계처리를 가능하게 한다.
• 각 일의 변환된 행렬에 특이값 임계처리를 적용하여 저질서 구조를 근사하면서도 일간 간 시간적 상관관계를 유지한다.
• 최적화 과정에서 일간 의존성을 유지하기 위해 유니터리 변환 행렬을 활용하여 구조적 일관성을 확보한다.
• 변환 후 매일의 계산을 분리함으로써 텐서 크기에 대해 선형적으로 확장 가능한 효율적인 최적화 알고리즘을 설계한다.
• 시간대 차원에서의 시간 동적 특성을 포착하기 위해 자동회귀 모델링을 통합하여 예측 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 튜벌 핵노름 기반 텐서 완성 모델은 복잡한 누락 패턴을 가진 대규모 시공간 교통 데이터에서 높은 복원 정확도를 달성할 수 있는가?
• RQ2 유니터리 변환의 통합은 교통 데이터의 일간 상관관계를 유지하면서도 확장 가능한 계산을 가능하게 하는가?
• RQ3 실제 데이터셋에서 LATC-Tubal은 기준 모델 대비 복원 정확도와 계산 효율성 면에서 어떻게 비교되는가?
• RQ4 LATC-Tubal은 교통 예측과 같은 다른 시공간 모델링 작업으로의 일반화에 얼마나 적합한가?
• RQ5 PeMS와 같이 11,000개 이상의 센서를 가진 대규모 센서 네트워크로 확장할 경우 정확도와 계산 비용 간의 상호 상충 관계는 어떠한가?

주요 결과

• LATC-Tubal은 캘리포니아 PeMS 시스템의 두 개의 대규모 5분 단위 교통 속도 데이터셋에서 최신 기술 수준의 모델들과 경쟁 가능한 복원 정확도를 달성한다.
• 기존의 텐서 핵노름 기반 방법에 비해 계산 비용을 크게 줄여 11,160개 센서를 가진 큰 텐서에 대한 확장성을 실현한다.
• 유니터리 변환은 교통 패턴의 일간 상관관계를 효과적으로 유지하여 장기적 시간적 의존성을 포착하는 데에 모델의 능력을 향상시킨다.
• 행렬 변환을 통한 튜벌 핵노름 활용은 매일의 효율적인 특이값 임계처리를 가능하게 하여 최적화 과정을 계산적으로 실현 가능하게 한다.
• 확장 가능하고 정확한 설계 덕분에 LATC-Tubal은 네트워크 수준의 교통 예측과 같은 다른 시공간 작업으로의 확장 잠재력을 보여준다.
• 실증 결과는 제안된 방법이 실제 교통 시스템에서 흔히 발생하는 다양한 복잡한 누락 데이터 메커니즘 하에서도 높은 성능을 유지함을 확인한다.