[논문 리뷰] Traffic congestion anomaly detection and prediction using deep learning
이 논문은 시드니의 208개 고속도로 정류장에서 수집한 3634만 개의 데이터 포인트로부터 유래한 시공간 특징을 활용하여 실시간 교통 혼잡 이상 탐지 및 예측을 위한 딥러닝 프레임워크를 제안한다. 이상치 탐지와 CNN-LSTM, BPNN, LSTM 모델을 조합한 결과, 이상치 조정이 정확도를 향상시키고 이전 데이터가 필요한 양을 줄이며, LSTM 모델이 하이브리드 모델보다 우수한 성능을 보였고, 유량 기반 특징이 가장 우수한 예측 성능을 제공함을 확인하였다.
Congestion prediction represents a major priority for traffic management centres around the world to ensure timely incident response handling. The increasing amounts of generated traffic data have been used to train machine learning predictors for traffic, however, this is a challenging task due to inter-dependencies of traffic flow both in time and space. Recently, deep learning techniques have shown significant prediction improvements over traditional models, however, open questions remain around their applicability, accuracy and parameter tuning. This paper brings two contributions in terms of: 1) applying an outlier detection an anomaly adjustment method based on incoming and historical data streams, and 2) proposing an advanced deep learning framework for simultaneously predicting the traffic flow, speed and occupancy on a large number of monitoring stations along a highly circulated motorway in Sydney, Australia, including exit and entry loop count stations, and over varying training and prediction time horizons. The spatial and temporal features extracted from the 36.34 million data points are used in various deep learning architectures that exploit their spatial structure (convolutional neuronal networks), their temporal dynamics (recurrent neuronal networks), or both through a hybrid spatio-temporal modelling (CNN-LSTM). We show that our deep learning models consistently outperform traditional methods, and we conduct a comparative analysis of the optimal time horizon of historical data required to predict traffic flow at different time points in the future. Lastly, we prove that the anomaly adjustment method brings significant improvements to using deep learning in both time and space.
연구 동기 및 목표
- 고온도로 네트워크에서 시간적·공간적 상관관계가 높은 복잡한 환경에서의 교통 혼잡 예측 과제를 해결한다.
- 실시간 교통 스트림에서 이상치를 탐지하고 조정하여 예측 정확도를 향상시킨다.
- 딥러닝 모델의 과거 이력 데이터와 향후 예측 수평 사이의 최적의 균형을 규명한다.
- 다양한 딥러닝 아키텍처—LSTM, CNN, BPNN, 하이브리드 CNN-LSTM—이 다중 소스 교통 데이터(유량, 속도, 점유율)에서의 성능을 평가한다.
- 기상, 사고 등 추가 데이터 소스를 통합할 경우 예측 성능이 향상되는지 평가하며, 데이터 효율성과 모델의 강건성에 중점을 둔다.
제안 방법
- 실시간 교통 데이터 스트림과 이전 데이터를 활용하여 이상치 탐지 및 이상치 조정 방법을 적용하여 모델 학습 전에 실시간 데이터를 정제한다.
- 시드니의 48km 고속도로에 위치한 208개 모니터링 정류장에서 수집한 3634만 개의 교통 데이터 포인트로부터 공간적 및 시간적 특징을 추출한다.
- 다양한 딥러닝 모델을 구현하고 비교한다: 시간 동적 특성을 위한 LSTM, 공간적 구조를 위한 CNN, 기준 성능을 위한 BPNN, 시공간 모델링을 위한 하이브리드 CNN-LSTM.
- 다양한 과거(기준: R) 및 향후 예측 수평(예측: P)을 대상으로 민감도 분석을 수행하여 최적의 학습 및 예측 윈도우 길이를 규명한다.
- 유량, 속도, 점유율 등의 개별 데이터 스트림과 그 조합을 대상으로 모델을 학습하여 특징 중요도와 모델의 강건성 평가.
- 모델 성능을 정량적으로 비교하기 위해 RMSE, MAE, MAPE를 평가 지표로 사용한다.
실험 결과
연구 질문
- RQ1이상치 탐지 및 데이터 정제는 교통 혼잡 예측에서 딥러닝 모델의 정확도와 효율성에 어떤 영향을 미치는가?
- RQ2다양한 딥러닝 아키텍처에서 고속도로 유량 예측을 위한 최적의 과거 이력 데이터(R)와 향후 예측 수평(P) 조합은 무엇인가?
- RQ3LSTM, CNN, BPNN, 또는 하이브리드 CNN-LSTM 중 어느 딥러닝 모델이 다중 정류장 교통 유량 예측에서 가장 뛰어난 예측 성능을 보이는가?
- RQ4다양한 입력 특징(유량, 속도, 점유율)은 모델 정확도에 어떤 영향을 미치며, 어떤 조합이 가장 강건한 예측을 제공하는가?
- RQ5정제된 이상치 조정 데이터를 사용할 경우, 예측 정확도를 유지하면서 필요한 과거 데이터 길이를 얼마나 줄일 수 있는가?
주요 결과
- LSTM 모델이 평가된 모든 모델 중에서 가장 뛰어난 예측 성능을 보였으며, 더 복잡한 하이브리드 CNN-LSTM 아키텍처를 능가했다.
- 이상치 탐지 및 데이터 조정은 예측 정확도를 크게 향상시키고, 필요한 과거 데이터 길이를 줄였다. 이상치 조정 후 모델은 동일한 성능을 달성하기 위해 더 적은 과거 데이터를 필요로 하였다.
- 15분 이상의 향후 예측 수평(P=5)을 초과할 경우, 최적의 과거 수평(R)은 짧은 기간으로 수렴하였다. 예를 들어, LSTM 모델은 이상치 보정 전 130분(R=26)이 필요로 했으나, 이상치 보정 후에는 P=8(24분)일 때 뿐만 아니라 R=16(48분)로 충분했다.
- 유량 데이터만으로 학습한 결과가 가장 낮은 오차 지표(MAPE=13.25, RMSE=193.28)를 기록하였고, 유량과 점유율을 조합한 결과도 유사한 성능을 보였다. 반면, 유량과 높은 상관관계가 있고 시간대 효과가 두드러지는 속도 데이터만을 사용한 결과는 가장 열악한 성능을 보였다.
- CNN 성능은 장기간의 과거 데이터 윈도우를 사용할수록 저하되었으며, 이는 공간 모델이 데이터 길이에 민감하고 너무 많은 과거 데이터를 사용할 경우 과적합이 발생할 수 있음을 시사한다.
- 하이브리드 CNN-LSTM 모델은 단일 LSTM 모델보다 성능이 열등했으며, 이는 이 경우에서 모델의 복잡도가 증가한다고 해서 항상 예측 정확도가 향상되지는 않음을 의미한다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.