[논문 리뷰] Spatio-Temporal Point Processes with Attention for Traffic Congestion Event Modeling

Shixiang Zhu, Ruyi Ding외 3명|arXiv (Cornell University)|2020. 05. 15.

Traffic Prediction and Management Techniques참고 문헌 43인용 수 4

한 줄 요약

이 논문은 교통 센서와 경찰 보고서로부터의 다중 모odal 데이터를 사용하여 교통 혼잡 사건을 모델링하기 위해 주의 메커니즘과 꼬리 올림 공간 상관 구조를 갖춘 시공간 포인트 프로세스 모델을 제안한다. 비단조화된 시간적 의존성과 방향성 있는 도로망 구조를 고려한 적응형 주의 메커니즘을 활용함으로써, 실제 및 시뮬레이션 데이터에서 최신 기술 대비 우수한 우도 및 예측 정확도를 달성한다.

ABSTRACT

We present a novel framework for modeling traffic congestion events over road networks. Using multi-modal data by combining count data from traffic sensors with police reports that report traffic incidents, we aim to capture two types of triggering effect for congestion events. Current traffic congestion at one location may cause future congestion over the road network, and traffic incidents may cause spread traffic congestion. To model the non-homogeneous temporal dependence of the event on the past, we use a novel attention-based mechanism based on neural networks embedding for point processes. To incorporate the directional spatial dependence induced by the road network, we adapt the "tail-up" model from the context of spatial statistics to the traffic network setting. We demonstrate our approach's superior performance compared to the state-of-the-art methods for both synthetic and real data.

연구 동기 및 목표

• 자신의 혼잡이 확산되는 것(자기 자극성)과 경찰이 보고한 교통 사고로 유도되는 외부 촉발 사건(외부 자극성)에 의해 발생하는 교통 혼잡 사건을 모델링하기 위해.
• 시간과 공간에서 영향력이 단조롭게 감소하는 것을 가정하는传통적 하크스 프로세스의 한계를 해결하기 위해, 실제 교통 역학에서 관찰되는 장기적 차단과 같은 현상을 반영하지 못하는 점을 보완하기 위해.
• 도로망에서의 방향성 있는 공간 상관관계(상류 혼잡이 하류 흐름에 영향을 미침)를 반영하기 위해 특화된 '꼬리 올림(tail-up)' 공간 모델을 도입하기 위해.
• 과거와 현재의 혼잡 사건 간 비균일한 시공간 의존성을 학습할 수 있는 융통성 있고 해석 가능한 주의 메커니즘을 개발하기 위해.
• 다양한 데이터 소스를 융합하고 신경망 기반 주의 메커니즘을 적용함으로써 포인트 프로세스 모델의 예측 정확도와 우도를 향상시키기 위해.

제안 방법

• 모델은 고정된 매개변수 기반 감쇠 함수 대신 과거 및 현재 혼잡 사건 간의 동적이고 비단조화적인 영향력 점수를 학습하기 위해 신경망 기반 주의 메커니즘을 사용한다.
• 비균일한 시공간 거리 기반으로 과거 사건의 중요도를 측정하기 위해 적응형 점수 함수를 도입하여 모델의 해석 가능성을 향상시킨다.
• 공간 통계에서 유래한 '꼬리 올림' 모델을 도로망의 방향성 있는 공간 의존성을 표현하기 위해 응용하여, 센서 간의 유동성에 따라 달라지는 상관관계를 포착한다.
• 두 가지 데이터 스트림을 통합한다: 교통 센서 카운트(혼잡 사건을 위한)와 경찰 보고서(사고 유발 혼잡을 위한), 이를 통해 내재적 및 외재적 영향을 모두 모델링한다.
• 주의 메커니즘이 포인트 프로세스 프레임워크 내에 통합되어 향후 사건의 강도가 학습된 주의 가중치에 기반한 가중 과거 사건에 의존할 수 있도록 한다.
• 모델은 우도 최대화를 통해 엔드 투 엔드로 훈련되어 시간 역학과 공간 구조를 동시에 추정할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 주목 기반 메커니즘이 혼잡 효과가 지연되거나 지속되는 경우와 같이 비단조화적인 시간적 영향을 효과적으로 모델링할 수 있는가, 특히 사고 이후 혼잡이 재발하거나 지속될 경우에 대해?
• RQ2 도로망의 방향성 있는 공간 구조를 시공간 포인트 프로세스에 공식적으로 통합하여 혼잡 전파를 더 잘 모델링할 수 있는가?
• RQ3 교통 센서 데이터와 경찰 보고서를 융합함으로써 혼잡 사건 모델의 예측 성능이 어느 정도 향상되는가?
• RQ4 모델이 학습한 주의 점수는 혼잡 사건과 사고 간의 인과 관계에 대해 이해 가능한 통찰을 제공할 수 있는가?
• RQ5 실제 도로 교통 데이터에서 최신 기술 대비 모델의 우도 및 예측 정확도는 어느 정도 우수한가?

주요 결과

• 제안된 주의 기반 시공간 포인트 프로세스(APP) 모델은 시뮬레이션 및 실제 교통 데이터 모두에서 최신 기술 대비 더 높은 우도와 예측 정확도를 달성한다.
• 주의 메커니즘이 비단조화된 영향 패턴(예: 사고 이후 지연되거나 지속되는 혼잡 효과)을 성공적으로 포착하여, 지수 감쇠를 사용하는 기존 모델이 표현하지 못하는 현상을 잘 반영한다.
• 학습된 주의 점수는 해석 가능한 패턴을 드러내며, 예를 들어 북상 및 남상 고속도로 방향에 해당하는 '네트워크 커뮤니티'가 명확히 드러나고, 서로 다른 방향 간의 영향력은 낮다.
• 꼬리 올림 공간 모델은 방향성 있는 공간 상관관계를 효과적으로 포착하여, 같은 유속 방향으로의 센서 간 상관관계가 높고, 정점 시간대와 야간 시간대에 따라 동적으로 변화하는 경향을 보인다.
• 꼬리 올림 모델이 학습한 공분산 행렬은 고속도로 연결부(C1–C4)가 특히 정점 시간대에 공간 의존성의 핵심 역할을 한다는 것을 드러낸다.
• 다양한 평가 지표와 데이터 구성에서 기준 모델을 능가함으로써, 모델이 뛰어난 강건성과 유연성을 보임을 입증한다.