[논문 리뷰] Short-term traffic prediction using physics-aware neural networks

Mike Pereira, Annika Lang외 1명|arXiv (Cornell University)|2021. 09. 21.

Traffic Prediction and Management Techniques참고 문헌 37인용 수 4

한 줄 요약

이 논문은 루프 감지기에서 수집한 원시 데이터의 노이즈 인식형 스무딩과 해석 가능한 단기 유량 예측을 가능하게 하는 물리 기반 순환 신경망을 제안한다. 이는 이산화된 매크로스코픽 교통 흐름 모델(교통 반응 모델, TRM)과 LSTM 기반 매개변수 추정을 통합하여 구현된다. 제안된 방법은 매끄러운 유량과 비교할 때 3단계 예측에서 MAPE 4.82%와 10단계 예측에서 MAPE 8.02%를 기록하여 물리적으로 일관된 예측과 효과적인 데이터 노이즈 제거를 동시에 달성한다.

ABSTRACT

In this work, we propose an algorithm performing short-term predictions of the flux of vehicles on a stretch of road, using past measurements of the flux. This algorithm is based on a physics-aware recurrent neural network. A discretization of a macroscopic traffic flow model (using the so-called Traffic Reaction Model) is embedded in the architecture of the network and yields flux predictions based on estimated and predicted space-time dependent traffic parameters. These parameters are themselves obtained using a succession of LSTM ans simple recurrent neural networks. Besides, on top of the predictions, the algorithm yields a smoothing of its inputs which is also physically-constrained by the macroscopic traffic flow model. The algorithm is tested on raw flux measurements obtained from loop detectors.

연구 동기 및 목표

• 신경망과 물리적 교통 흐름 모델을 융합하여 더 높은 해석 가능성과 강건성을 확보한 단기 교통 유량 예측 방법을 개발하기.
• 표준 딥러닝 모델의 투명성 부족 문제를 해결하기 위해 매크로스코픽 교통 흐름 모델(TRM)을 신경망 아키텍처에 통합하기.
• 일관된 물리적 제약 조건 하에 하나의 프레임워크에서 노이즈 감소(스무딩)와 미래 예측을 동시에 수행하기.
• 센서 위치가 아닌 도로 구간 전역의 모든 공간적 위치에서의 유량 추정과 예측을 가능하게 하여 데이터 증강을 실현하기.
• 네덜란드 고속도로 루프 감지기에서 수집한 실제 원시 유량 측정값을 대상으로 성능을 검증하여 원시 데이터 및 매끄러운 데이터 양쪽 모두에서 성능을 입증하기.

제안 방법

• 이 방법은 이중 단계 아키텍처를 사용한다: 첫 번째 단계에서 LSTM 네트워크는 과거의 유량 측정값에서 시간에 따라 변하는 매개변수(예: 자유주행 속도, 정체 밀도)를 추정한다.
• 이러한 추정된 매개변수는 매크로스코픽 교통 흐름 모델인 이산화된 교통 반응 모델(TRM)에 입력되어 전체 도로 구간에 걸친 유량 추정치와 예측치를 계산한다.
• TRM의 이산화 과정을 통해 모든 유량 예측 및 스무딩 출력이 매크로스코픽 교통 역학과 물리적으로 일관되게 유지된다.
• 모델은 물리 모델에 기반한 스무딩을 통해 원시 입력 데이터의 스무딩과 미래 예측을 통합된 프레임워크에서 수행한다.
• 아키텍처는 엔드 투 엔드로 훈련되며, 물리 모델이 신경망 출력에 대해 미분 가능한 제약 조건으로 작용한다.
• 도로 영역 전반에 걸쳐 TRM를 수치적으로 해석함으로써, 직접 측정이 이루어지지 않은 위치에서도 공간적으로 연속적인 유량 추정과 예측이 가능해진다.

실험 결과

연구 질문

• RQ1 표준 블랙박스 모델 대비 물리 기반 신경망 아키텍처가 단기 교통 유량 예측의 해석 가능성과 강건성 향상에 기여하는가?
• RQ2 매크로스코픽 교통 흐름 모델(TRM)이 딥러닝 프레임워크에 효과적으로 통합되어 물리적으로 일관된 예측과 스무딩을 보장할 수 있는가?
• RQ3 원시 데이터 및 매끄러운 데이터 양쪽 모두에서 제안된 방법의 성능이 표준 딥러닝 모델과 비교해 어떻게 되는가?
• RQ4 모델이 전체 도로 구간에서 물리적 타당성을 유지하면서 동시에 노이즈 감소와 미래 예측을 수행할 수 있는가?
• RQ5 신경망 아키텍처에 물리 모델을 통합함으로써 일반화 성능 향상과 하이퍼파rameter 조정에 대한 민감도 감소가 이루어지는가?

주요 결과

• 제안된 방법은 매끄러운 유량과 비교할 때 3단계 예측에서 MAPE 4.82%를 기록하여 뛰어난 예측 정확도를 확보하였다.
• 10단계 예측에서는 매끄러운 유량과 비교해 MAPE 8.02%를 기록하여 장기 예측 동안에도 일관된 성능을 유지함을 보였다.
• 알고리즘은 원시 유량 측정값을 효과적으로 스무딩하여 노이즈를 감소시키면서도 물리적 일관성을 유지하며, 외부 전처리 없이도 기능한다.
• 예측 오차는 센서에서 떨어진 경계 부근에서 가장 높게 나타나며, 관측된 경계에서 피크를 이룬다. 이는 측정 데이터에 국한된 국소적 적응성을 시사한다.
• 모델은 센서 위치 외부의 전체 도로 구간에서도 물리적으로 타당한 유량 추정치와 예측치를 생성하여 공간적 데이터 증강을 가능하게 한다.
• 표준 딥러닝 모델 대비 매끄러운 데이터에서는 유사한 성능를 보였지만, 더 높은 해석 가능성과 물리적 기반을 확보하였다.