[논문 리뷰] Short-term traffic flow forecasting with spatial-temporal correlation in a hybrid deep learning framework

Yuankai Wu, Huachun Tan|arXiv (Cornell University)|2016. 12. 03.

Traffic Prediction and Management Techniques참고 문헌 6인용 수 251

한 줄 요약

본 논문은 CNN-LSTM 하이브리드 모델 CLTFP를 제안하며, 공간 특징, 단기 시계열 동적, 일간/주간 주기성을 융합하여 단기 교통 흐름을 예측하고, PeMS 데이터에서 여러 베이스라인 대비 정확도가 우수함을 보인다.

ABSTRACT

Deep learning approaches have reached a celebrity status in artificial intelligence field, its success have mostly relied on Convolutional Networks (CNN) and Recurrent Networks. By exploiting fundamental spatial properties of images and videos, the CNN always achieves dominant performance on visual tasks. And the Recurrent Networks (RNN) especially long short-term memory methods (LSTM) can successfully characterize the temporal correlation, thus exhibits superior capability for time series tasks. Traffic flow data have plentiful characteristics on both time and space domain. However, applications of CNN and LSTM approaches on traffic flow are limited. In this paper, we propose a novel deep architecture combined CNN and LSTM to forecast future traffic flow (CLTFP). An 1-dimension CNN is exploited to capture spatial features of traffic flow, and two LSTMs are utilized to mine the short-term variability and periodicities of traffic flow. Given those meaningful features, the feature-level fusion is performed to achieve short-term forecasting. The proposed CLTFP is compared with other popular forecasting methods on an open datasets. Experimental results indicate that the CLTFP has considerable advantages in traffic flow forecasting. in additional, the proposed CLTFP is analyzed from the view of Granger Causality, and several interesting properties of CLTFP are discovered and discussed .

연구 동기 및 목표

• ITS 응용 분야를 위한 정확한 단기 교통 흐름 예측의 동기 부여(동적 제어, 경로 안내, 위치 기반 서비스).
• 교통 데이터의 공간적 인접성, 단기 변동성, 주기적 패턴을 활용.
• CNN을 공간 특징에, LSTM을 시간적 특징 및 주기성에 결합한 딥러닝 아키텍처를 개발.
• 특징 수준 융합과 희소성 규화를 통한 엔드투엔드 학습 가능하도록 일반화 성능 향상.

제안 방법

• 1D CNN을 사용하여 시간 채널을 가로지르는 p-위치 교통 데이터 행렬 S에서 공간 특징 추출.
• 두 개의 LSTM을 사용하여 단기 시계열 특징과 장기 주기성(일간 및 주간)을 포착.
• 공간 및 시간적 특징을 연결(concatenation)하고 L1 정규화를 갖는 회귀 계층으로 예측하여 다가오는 교통 흐름을 예측.
• 검증 세트를 기반으로 조기 중단을 사용한 Adamax 옵티마이저로 엔드투엔드 학습.
• PeMS 고속도로 구간 데이터에서 LSTM, SAE, 얕은 NN, GBRT와 비교 평가.
• 특징 기여 분석을 Granger 인과관계에서 영감을 받은 LASSO 실험으로 분석.

실험 결과

연구 질문

• RQ1 CNN-LSTM 프레임워크가 교통 흐름의 공간, 단기 시계열 및 주기적 패턴을 효과적으로 포착하여 단기 예측을 개선할 수 있는가?
• RQ2 공간, 단기 시계열, 주기적 특징이 예측 성능에 어떻게 기여하며 상대적 중요성은 무엇인가?

주요 결과

• CLTFP가 PeMS 데이터셋에서 LSTM, SAE, NN, GBRT보다 더 나은 MAE, MAPE, ACE를 달성한다.
• 공간 특징이 예측력의 주도권을 가지며 S+T+P가 최상의 성능을 낸다.
• 융합 접근법을 통해 모든 특징 유형(S, T, P)을 포함시키면 포인트 예측 및 공간 분포 정확도가 모두 개선된다.
• 모델의 특징-수준 희소성은 중복을 줄이고 일반화를 개선하는 데 도움이 된다.
• Granger 인과관계 관점의 점진적 예측 가능성 분석은 S, T, P를 결합하는 것이 단일 특징 세트보다 더 풍부한 예측 정보를 제공한다.