[논문 리뷰] Short-Term Traffic Flow Prediction Using Variational LSTM Networks

Mehrdad Farahani, Marzieh Davoodabadi Farahani외 2명|arXiv (Cornell University)|2020. 02. 18.

Traffic Prediction and Management Techniques참고 문헌 34인용 수 5

한 줄 요약

이 논문은 확률적 인코딩을 활용하여 데이터 분포를 모델링하고 누락된 센서 데이터를 처리함으로써 단기 교통 흐름 예측을 위한 변동성 장기 단기 기억망 인코더(VLSTM-E)를 제안한다. PeMS 데이터셋에서 LSTM, SAEs, MCNNM보다 우수한 성능을 보이며, 평균 MSE는 0.0016, MAPE는 9.23%를 기록하여 변동성이 큰 교통 조건에서 더 높은 정확도와 강건성을 입증한다.

ABSTRACT

Traffic flow characteristics are one of the most critical decision-making and traffic policing factors in a region. Awareness of the predicted status of the traffic flow has prime importance in traffic management and traffic information divisions. The purpose of this research is to suggest a forecasting model for traffic flow by using deep learning techniques based on historical data in the Intelligent Transportation Systems area. The historical data collected from the Caltrans Performance Measurement Systems (PeMS) for six months in 2019. The proposed prediction model is a Variational Long Short-Term Memory Encoder in brief VLSTM-E try to estimate the flow accurately in contrast to other conventional methods. VLSTM-E can provide more reliable short-term traffic flow by considering the distribution and missing values.

연구 동기 및 목표

• 이력 교통 데이터를 활용하여 단기 교통 흐름 예측 정확도를 향상시키는 딥러닝 모델을 개발하는 것.
• 교통 센서 읽기에서 누락된 데이터와 데이터 분포의 변동성으로 인한 과제를 해결하는 것.
• 확률적 인코딩을 통해 변동성이 큰 교통 조건에서 모델의 강건성을 향상시키는 것.
• LSTM, SAEs, MCNNM과 같은 기존 최첨단 모델보다 예측 성능에서 뛰어나도록 하는 것.
• 2019년 6개월 간의 Caltrans PeMS 시스템에서의 실세계 데이터를 활용하여 모델을 검증하는 것.

제안 방법

• 제안된 모델는 교통 흐름 시계열의 확률적 잠재 표현을 학습하기 위해 변동성 장기 단기 기억망 인코더(VLSTM-E)를 사용한다.
• 모델은 입력 시계열을 잠재 변수의 분포로 인코딩하여 불확실성 인식 예측을 가능하게 한다.
• 기본 데이터 분포를 모델링하고 누락된 데이터 상황에서의 일반화 능력을 향상시키기 위해 변동성 추론을 통합한다.
• 재구성 손실과 KL 발산을 사용하여 엔드 투 엔드로 학습하며, 재구성 정확도와 잠재공간의 규제를 균형 잡는다.
• 다중 센서에서 온 다변량 시간적 시계열을 처리하여 교통 흐름의 공간-시간 상관관계를 포착한다.
• 평가에는 PeMS 정류장 716076 및 717060의 테스트 데이터에서 표준 지표인 MAPE, MAE, MSE, RMSE를 사용한다.

실험 결과

연구 질문

• RQ1 기존 딥러닝 모델과 비교해 볼 때, 변동성 장기 단기 기억망 인코더는 단기 교통 흐름 예측 정확도를 향상시킬 수 있는가?
• RQ2 데이터 분포를 모델링함으로써 누락되거나 노이즈가 많은 센서 데이터 상황에서 강건성이 향상되는가?
• RQ3 VLSTM-E 모델은 교통 흐름의 변동성 예측에서 LSTM, SAEs, MCNNM를 얼마나 뛰어나게 성능을 냈는가?
• RQ4 확률적 인코딩 메커니즘이 알려지지 않은 교통 패턴에 대한 일반화 능력을 향상시키는가?
• RQ5 고도로 변동성이 큰 교통 상황이나 데이터 가용성이 낮은 기간 동안 모델은 높은 정확도를 유지할 수 있는가?

주요 결과

• VLSTM-E 모델은 평균 MSE가 0.0016으로, LSTM(0.0023), SAEs(0.0030), MCNNM(0.0106)보다 유의미하게 낮게 기록되었다.
• 모델은 평균 MAPE가 9.23%를 기록하여, LSTM(10.54%), SAEs(14.22%), MCNNM(27.58%)를 모두 뛰어넘었다.
• 정류장 716076의 경우 VLSTM-E는 MAPE 9.5954%와 MSE 0.0018을 기록했으며, LSTM(10.27% MAPE, 0.0024 MSE)를 능가했다.
• 정류장 717060의 경우 VLSTM-E는 MAPE 8.8625%와 MSE 0.0015를 기록했으며, LSTM(10.82% MAPE, 0.0022 MSE)를 초월했다.
• 시각적 비교 결과 VLSTM-E는 고변동성 및 저체적 기간 동안 참값을 매우 잘 따라가며, LSTM 및 MCNNM보다 뛰어난 성능을 보였다.
• 모델는 분포 인식 학습 메커니즘 덕분에 누락된 데이터에 대해 뛰어난 저항성을 보이며, 훈련 및 추론 과정에서의 악영향을 줄였다.