[논문 리뷰] Spatiotemporal Recurrent Convolutional Networks for Traffic Prediction in Transportation Networks

Haiyang Yu, Zhihai Wu외 3명|arXiv (Cornell University)|2017. 05. 07.

Traffic Prediction and Management Techniques참고 문헌 39인용 수 7

한 줄 요약

이 논문은 공간적 종속성 모델링을 위해 컨volutional 신경망(CNNs)과 시간 역동성을 위한 장기 단기 기억(LSTM) 네트워크를 결합한 공간시계열 순환 컨volutional 네트워크(SRCNs)를 제안한다. 이는 대규모 교통망 전역의 교통 속도를 예측하기 위한 딥러닝 모델이다. 베이징의 278개 링크로 구성된 네트워크에서 평가된 결과, SRCNs는 단기 및 장기 교통 예측 모두에서 기존의 딥러닝 방법들을 능가하며 실제 데이터에서 뛰어난 정확도와 일반화 능력을 입증한다.

ABSTRACT

Predicting large-scale transportation network traffic has become an important and challenging topic in recent decades. Inspired by the domain knowledge of motion prediction, in which the future motion of an object can be predicted based on previous scenes, we propose a network grid representation method that can retain the fine-scale structure of a transportation network. Network-wide traffic speeds are converted into a series of static images and input into a novel deep architecture, namely, spatiotemporal recurrent convolutional networks (SRCNs), for traffic forecasting. The proposed SRCNs inherit the advantages of deep convolutional neural networks (DCNNs) and long short-term memory (LSTM) neural networks. The spatial dependencies of network-wide traffic can be captured by DCNNs, and the temporal dynamics can be learned by LSTMs. An experiment on a Beijing transportation network with 278 links demonstrates that SRCNs outperform other deep learning-based algorithms in both short-term and long-term traffic prediction.

연구 동기 및 목표

• 복잡한 교통망에서의 정확한 대규모 교통 예측 도전 과제를 해결하기 위해.
• 도로 링크 간의 공간적 종속성과 교통 흐름의 시간 역동성을 동시에 모델링하기 위해.
• 네트워크 전체의 교통을 격자 기반 표현 방식으로 활용하여 개선된 예측 성능을 달성하는 딥러닝 프레임워크를 개발하기 위해.
• 단기 및 장기 교통 예측 과제에서 기존의 딥러닝 모델들을 능가하기 위해.

제안 방법

• 네트워크 전역의 교통 속도가 세밀한 공간적 구조를 유지하도록 정적 격자 이미지로 변환된다.
• 컨volutional 신경망(CNN)이 격자 표현에서 공간적 특징을 추출하기 위해 적용된다.
• 장기 단기 기억(LSTM) 네트워크가 공간적 특징의 시퀀스를 처리하여 시간에 따른 변화를 모델링한다.
• 통합 아키텍처인 SRCN은 공간 모델링을 위한 CNN과 시간적 시퀀스 학습을 위한 LSTMs를 통합한다.
• 기존의 역사적 교통 속도 데이터 기반 예측 오차를 최소화하기 위해 백프로파게이션을 사용해 엔드 투 엔드로 모델이 훈련된다.
• 격자 표현 방법은 공간 연속성과 세밀한 네트워크 위상 인식을 보장한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 대규모 교통망에서 공간적 및 시간적 종속성을 효과적으로 포착할 수 있는가?
• RQ2 제안된 SRCN 아키텍처는 기존의 딥러닝 모델들과 비교해 교통 예측 정확도에서 어떻게 성능을 냈는가?
• RQ3 모델은 다양한 예측 수평선, 특히 장기 예측까지 얼마나 잘 일반화되는가?
• RQ4 격자 기반 표현 방식이 정확한 예측에 필요한 핵심적인 공간 관계를 유지하는가?

주요 결과

• SRCNs는 베이징 교통망에서 단기 및 장기 교통 예측 과제에서 최신 기술 수준의 성능을 달성한다.
• 기본 RNN, LSTM, CNN-LSTM 하이브리드 등 다른 딥러닝 기반 베이스라인들보다 예측 정확도에서 뛰어난 성능을 보인다.
• 공간적 CNN과 시간적 LSTM의 통합은 복잡한 공간시계열 교통 패턴을 효과적으로 모델링할 수 있게 한다.
• 격자 표현 방식은 세밀한 공간적 구조를 성공적으로 유지하여 모델 성능을 향상시켰다.
• SRCNs는 다양한 예측 수평선에 걸쳐 뛰어난 강건성과 일반화 능력을 보이며, 실세계 구현에 적합함을 확인했다.