[논문 리뷰] Traffic Flow Combination Forecasting Method Based on Improved LSTM and ARIMA

Boyi Liu, Xiangyan Tang외 2명|arXiv (Cornell University)|2019. 06. 25.

Traffic Prediction and Management Techniques인용 수 5

한 줄 요약

이 논문은 교통 흐름 예측 정확도를 향상시키기 위해 수정된 장기 단기 기억(LSTM) 신경망과 시계열 모델인 ARIMA를 융합한 향상된 SDLSTM-ARIMA 하이브리드 모델을 제안한다. 드롭아웃 모듈 내에서 교통 데이터의 시간 특이성 비율을 도입하고, 비균일 간격으로 예측을 동적으로 융합함으로써, 단독으로 사용하는 LSTM 또는 ARIMA 모델보다 높은 안정성과 정확도를 달성하였으며, 다양한 언어 환경에 통합된 임베디드 시스템에서도 성능이 입증되었다.

ABSTRACT

Traffic flow forecasting is hot spot research of intelligent traffic system construction. The existing traffic flow prediction methods have problems such as poor stability, high data requirements, or poor adaptability. In this paper, we define the traffic data time singularity ratio in the dropout module and propose a combination prediction method based on the improved long short-term memory neural network and time series autoregressive integrated moving average model (SDLSTM-ARIMA), which is derived from the Recurrent Neural Networks (RNN) model. It compares the traffic data time singularity with the probability value in the dropout module and combines them at unequal time intervals to achieve an accurate prediction of traffic flow data. Then, we design an adaptive traffic flow embedded system that can adapt to Java, Python and other languages and other interfaces. The experimental results demonstrate that the method based on the SDLSTM - ARIMA model has higher accuracy than the similar method using only autoregressive integrated moving average or autoregressive. Our embedded traffic prediction system integrating computer vision, machine learning and cloud has the advantages such as high accuracy, high reliability and low cost. Therefore, it has a wide application prospect.

연구 동기 및 목표

• 기존 교통 흐름 예측 모델의 한계인 낮은 안정성, 높은 데이터 요구량, 낮은 적응성 문제를 해결하기 위해.
• 딥러닝(LSTM)의 강점과 통계적 시계열 모델링(ARIMA)의 강점을 통합하여 예측 정확도를 향상시키기 위해.
• 다양한 프로그래밍 언어와 클라우드 환경과 호환되는 견고하고 적응 가능한 임베디드 시스템을 개발하기 위해.
• 대규모 데이터셋에 의존하는 것을 줄이면서도 다양한 교통 조건에서 높은 예측 신뢰성을 유지하기 위해.

제안 방법

• 저자는 드롭아웃 모듈 내에 시간 특이성 비율 지표를 도입하여 교통 데이터의 비정상성을 평가하고 모델의 견고성을 향상시켰다.
• 특이성 비율을 정규화 신호로 활용하여 시간적 이상에 동적으로 대응할 수 있도록 개선된 LSTM 변종인 SDLSTM을 설계하였다.
• SDLSTM 모델은 비균일 시간 간격 융합 전략을 통해 ARIMA 모델과 융합되어 예측 정확도를 향상시켰다.
• 융합 메커니즘은 시간적 불확실성에 기반하여 양 모델의 예측을 적응적으로 가중하여 다양한 교통 패턴에서의 안정성을 향상시켰다.
• Java 및 Python 인터페이스를 사용하여 이식 가능한 예측 시스템을 구현하여 이질적인 컴퓨팅 환경에서의 배포를 가능하게 하였다.
• 실시간이고 확장 가능한 교통 예측을 위해 컴퓨터 비전, 머신러닝, 클라우드 컴퓨팅을 통합한 시스템을 설계하였다.

실험 결과

연구 질문

• RQ1 딥러닝과 통계적 시계열 모델을 효과적으로 융합하여 교통 흐름 예측 정확도를 향상시킬 수 있는가?
• RQ2 시간적 데이터 특이성이 모델의 견고성과 예측 안정성 향상에 어떤 역할을 하는가?
• RQ3 실제 교통 예측 환경에서 하이브리드 SDLSTM-ARIMA 모델이 단독 LSTM 또는 ARIMA 모델을 초월할 수 있는가?
• RQ4 예측 시스템을 다양한 프로그래밍 환경과 배포 플랫폼에 적응 가능하게 만들 수 있는가?
• RQ5 비균일 시간 간격 융합이 모델 성능과 신뢰성에 어떤 영향을 미치는가?

주요 결과

• SDLSTM-ARIMA 모델은 단독 ARIMA 또는 자기회귀 방법을 사용하는 모델보다 높은 예측 정확도를 달성하였다.
• 드롭아웃 모듈 내에 시간 특이성 비율을 통합함으로써 모델의 안정성이 향상되고 비정상적인 교통 데이터에서의 과적합이 감소하였다.
• 하이브리드 모델은 다양한 교통 패턴과 데이터 품질 조건에 뛰어난 적응성을 보였다.
• 임베디드 시스템은 다국어 배포(예: Java, Python)를 지원하며 실생활 응용에서 저비용, 고신뢰도의 예측을 가능하게 하였다.
• 컴퓨터 비전, 머신러닝, 클라우드 인프라의 통합을 통해 확장 가능하고 실시간으로 고성능의 교통 예측이 가능했다.