[논문 리뷰] Time-to-Green predictions for fully-actuated signal control systems with supervised learning

Alexander Genser, Michail Makridis외 4명|arXiv (Cornell University)|2022. 08. 24.

Traffic Prediction and Management Techniques참고 문헌 54인용 수 1

한 줄 요약

이 논문은 스위스 취리히의 실시간 교통 신호 데이터를 기반으로, 집계된 루프 검출기 및 신호 단계 데이터를 사용하여 완전히 작동하는 교통 신호의 Time-to-Green(T2G)을 예측하기 위한 지도 학습 프레임워크를 제안한다. 실험 결과 랜덤 포레스트 모델이 선형 회귀 및 LSTM보다 더 우수한 성능을 보이며, 실제 취리히 데이터 기반으로 평균 절대 오차(MAE)가 0.90~3.27초를 기록하여 실시간 속도 조정 및 교통 최적화 시스템에 적합함을 입증한다.

ABSTRACT

Recently, efforts have been made to standardize signal phase and timing (SPaT) messages. These messages contain signal phase timings of all signalized intersection approaches. This information can thus be used for efficient motion planning, resulting in more homogeneous traffic flows and uniform speed profiles. Despite efforts to provide robust predictions for semi-actuated signal control systems, predicting signal phase timings for fully-actuated controls remains challenging. This paper proposes a time series prediction framework using aggregated traffic signal and loop detector data. We utilize state-of-the-art machine learning models to predict future signal phases' duration. The performance of a Linear Regression (LR), a Random Forest (RF), and a Long-Short-Term-Memory (LSTM) neural network are assessed against a naive baseline model. Results based on an empirical data set from a fully-actuated signal control system in Zurich, Switzerland, show that machine learning models outperform conventional prediction methods. Furthermore, tree-based decision models such as the RF perform best with an accuracy that meets requirements for practical applications.

연구 동기 및 목표

• 동적 최적화 및 대중교통 우선순위로 인해 비선형적이고 복잡한 완전 작동형 신호 제어 시스템의 Time-to-Green(T2G) 예측 정확도를 향상시키기 위해.
• 기본 신호 제어 알고리즘에 대한 지식이 필요 없이도 적용 가능한 일반화된 데이터 기반 프레임워크를 개발하기 위해.
• 실시간 교통 신호 및 루프 검출기 데이터를 활용해 다음 빨간 신호 단계 지속 시간을 정확히 예측함으로써 차량 운동 계획을 위한 SPaT 메시지 품질을 향상시키기 위해.
• 특히 대중교통 우선순위가 적용되는 다중 모드 도시 환경에서 성능을 향상시키기 위해 교통 흐름 이론에서 유래한 물리 기반 특징을 통합하기 위해.
• 속도 조정 및 교통 완화 시스템에 통합 가능한 실시간 T2G 예측의 가능성을 평가하기 위해.

제안 방법

• 스위스 취리히의 완전 작동형 교차로에서 확보한 역학적 교통 신호 및 루프 검출기(LD) 데이터를 사용한다. 이는 대중교통 우선순위가 적용된 시스템이다.
• 교통 흐름 이론의 도메인 전문 지식을 기반으로 특징 공학을 수행하며, 차량 밀도, 대기 길이, 감지 시간 패턴 등이 포함된다.
• 세 가지 지도 학습 모델을 훈련한다: 선형 회귀(LR), 랜덤 포레스트(RF), 장단기 기억(LSTM) 신경망. 모든 모델은 다음 빨간 신호 단계 지속 시간을 예측 대상으로 한다.
• 기준 모델인 '변화 없음' 모델은 이전에 관측된 빨간 신호 지속 시간을 그대로 사용하여 성능 기준을 설정한다.
• 표준 평가 지표를 사용해 모델 성능을 평가한다: 평균 절대 오차(MAE), 근미제곱오차의 제곱근(RMSE), 설명된 분산(EH), 정규화된 평균 비율(NM).
• 모델은 두 달 간의 데이터를 오프라인으로 훈련하고, 테스트는 미리 보지 않은 주기 데이터를 사용하여 일반화 능력과 예측 정확도를 평가한다.

실험 결과

연구 질문

• RQ1 복잡하고 동적인 행동을 보이는 완전 작동형 신호 제어 시스템에서, 지도 학습 모델이 다음 빨간 신호 지속 시간(즉, Time-to-Green)을 정확하게 예측할 수 있는가?
• RQ2 실제 교통 신호 및 루프 검출기 데이터를 기반으로 선형 회귀, 랜덤 포레스트, LSTM 등 다양한 머신러닝 모델의 T2G 예측 성능는 어떻게 비교되는가?
• RQ3 교통 흐름 이론에서 유도된 물리 기반 특징이, 대중교통 우선순위가 적용되는 다중 모드 도시 교차로에서 T2G 모델의 예측 정확도에 얼마나 기여하는가?
• RQ4 제안된 프레임워크는 대중교통 우선순위가 존재하는 상황에서도 실시간 T2G 예측을 속도 조정 및 교통 완화 시스템에 실제 적용하기에 충분한 정확도를 확보할 수 있는가?
• RQ5 트램이 운행하는 신호 단계처럼 변동성이 높은 경우, 기존 모델의 T2G 예측 능력에는 어떤 한계가 있는가?

주요 결과

• 랜덤 포레스트(RF) 모델이 가장 뛰어난 성능을 보였으며, 다양한 신호 단계에서 평균 절대 오차(MAE)가 0.90~3.27초로 기록되어 기준 모델 및 기타 모델보다 뚜렷이 뛰어났다.
• RF 모델은 특히 대중교통 우선순위가 적용되는 복잡한 상황에서 신호 단계 지속 시간의 비선형 패턴을 잘 포착하는 데 뛰어난 능력을 보였다.
• LSTM 모델은 기준 모델 대비 성능 향상이 미미하여, 이 시간 시리즈 예측 작업에 대해 순차적 모델링 능력이 예상보다 낮게 작용한 것으로 나타났다.
• 기준 '변화 없음' 모델은 높은 오차를 보이며 성능이 열악해, T2G 예측에 고급 머신러닝 접근법이 필수적임을 입증했다.
• RF 모델은 트램 운행 단계와 같은 높은 변동성의 T2G 피크에 대해 어려움을 겪어, 오차가 높았고(MAE 85.88 및 64.02초), 설명된 분산이 2% 미만으로 낮아, 향상된 데이터 또는 모델 적응이 필요함을 시사했다.
• 교통 흐름 이론 기반의 특징 공학은 모델 품질을 향상시키며, 신호 제어 알고리즘의 내부 구조를 사전에 알지 못해도 효과적인 예측이 가능하게 함을 확인했다.