[논문 리뷰] Traffic Flow Forecasting Using a Spatio-Temporal Bayesian Network Predictor

Shiliang Sun, Changshui Zhang외 1명|arXiv (Cornell University)|2017. 12. 24.

Advanced Clustering Algorithms Research참고 문헌 3인용 수 7

한 줄 요약

이 논문은 도로망 전역에서 공간적 및 시간적 교통 흐름 데이터를 통합하여 단기 예측 성능을 햖थ한 시공간 베이지안 네트워크 예측기인 방법을 제안한다. 변수 순위 매기기 위해 피어슨 상관계수를 사용하고, 원인 입력 노드를 특정하기 위해 베스트-퍼스트 선택 기법을 적용하며, 최소 평균 제곱 오차 기준 하에 가우시안 믹스처 모델을 적용함으로써, 기존의 랜덤 워크 및 마르코프 체인 기반 모델 대비 뚜렷한 정확도 향상을 달성한다.

ABSTRACT

A novel predictor for traffic flow forecasting, namely spatio-temporal Bayesian network predictor, is proposed. Unlike existing methods, our approach incorporates all the spatial and temporal information available in a transportation network to carry our traffic flow forecasting of the current site. The Pearson correlation coefficient is adopted to rank the input variables (traffic flows) for prediction, and the best-first strategy is employed to select a subset as the cause nodes of a Bayesian network. Given the derived cause nodes and the corresponding effect node in the spatio-temporal Bayesian network, a Gaussian Mixture Model is applied to describe the statistical relationship between the input and output. Finally, traffic flow forecasting is performed under the criterion of Minimum Mean Square Error (M.M.S.E.). Experimental results with the urban vehicular flow data of Beijing demonstrate the effectiveness of our presented spatio-temporal Bayesian network predictor.

연구 동기 및 목표

• 기존의 교통 흐름 예측 방법들이 도로망의 공간 정보를 충분히 활용하지 못하는 한계를 해결하기 위해.
• 쇼핑 센터 및 주거 지역과 같은 공통된 도시적 원인으로 인해 영향을 받는 떨어진 도로 링크 간의 상호의존성을 캡처하는 인과 모델링 접근법을 개발하기 위해.
• 공간적 및 시간적 데이터를 체계적으로 통합하여 보다 정확한 단기 교통 흐름 예측을 수행하기 위해.
• 실제 베이징 교통 데이터를 활용하여 제안된 방법의 효과성을 평가하고, 기존의 전통적 기준 모델 대비 우월성을 입증하기 위해.

제안 방법

• 목표 지점에서의 타겟 흐름과의 선형 관계를 기반으로, 모든 잠재적 입력 교통 흐름을 피어슨 상관계수를 사용해 순위 매긴다.
• 중복을 최소화하고 계산 비용을 절감하기 위해, 상위 순위의 교통 흐름을 인과 노드로 선택하기 위해 베스트-퍼스트 탐색 전략을 적용한다.
• 원인 노드와 타겟(영향) 노드 간의 공동 확률 분포를 추정하기 위해 경쟁적 기반 업데이트 알고리즘(Cooperative EM, CEM)을 사용하는 가우시안 믹스처 모델(Gaussian Mixture Model, GMM)을 활용한다.
• 최소 평균 제곱 오차(Minimum Mean Square Error, MMSE) 기준을 기반으로 최적의 예측을 유도하며, 이는 예측을 위한 해석적 해를 도출한다.
• 시간 지연 흐름(최대 100단계 이전까지)을 도로망 전역의 여러 링크에서 통합하여 시간 동적 특성을 모델링한다.
• 공간적으로 분포된 시간 지연된 교통 흐름이 특정 타겟 링크의 흐름을 예측하기 위한 입력으로 사용되는 인과 베이지안 네트워크를 구성한다.

실험 결과

연구 질문

• RQ1 도로망 내 떨어진 도로 링크 간의 공간적 상관관계를 효과적으로 활용하여 단기 교통 흐름 예측 성능을 향상시킬 수 있는가?
• RQ2 단일 예측 모델에 공간적 및 시간적 정보를 통합하는 것과 시간 패턴에만 의존하는 방법 간의 성능 비교는 어떻게 되는가?
• RQ3 상관계수 기반 순위 매기기 및 베스트-퍼스트 탐색을 통한 변수 선택이 예측 정확도에 어떤 영향을 미치는가?
• RQ4 시공간 베이지안 프레임워크 내에서 MMSE 추정 기반의 가우시안 믹스처 모델이 예측 성능 향상에 얼마나 기여하는가?
• RQ5 실제 도시 교통 데이터 기반으로 제안된 방법은 랜덤 워크 및 마르코프 체인과 같은 기존 기준 모델 대비 어떻게 성능을 발휘하는가?

주요 결과

• 시공간 베이지안 네트워크 예측기는 다섯 개의 테스트 도로 링크 전역에서 랜덤 워크 및 마르코프 체인 기준 모델 대비 예측 오차를 뚜렷이 감소시켰다.
• 도로 링크 Gd의 경우, 루트 평균 제곱 오차(RMSE)가 랜덤 워크의 177.57에서 제안된 방법의 141.37로 감소하여 20.3% 향상되었다.
• 테스트한 다섯 개 링크 중 네 곳에서 가장 낮은 RMSE를 기록했으며, 특히 링크 Dd에서 가장 뛰어난 성능(마르코프 체인 대비 57.46 vs. 66.15)을 보였다.
• 타겟 흐름과 선택된 원인 노드 간에 높은 상관계수(예: Fe(t)와 Fe(t-1) 사이의 0.983)를 관찰하여, 순위 매기기 및 선택 과정의 효과성을 검증하였다.
• 직접 인접하지 않은 링크들(예: Bc(t-1)가 Ch(t)에 영향을 주는 등)의 공간적 정보 통합이 강력한 예측 관련성을 보이며, 예측 성능 향상에 기여하였다.
• 결과는 도시 교통 흐름이 공통된 숨겨진 원인(예: 출퇴근 시간, 활동 패턴 등)에 의해 영향을 받으며, 이러한 영향은 인과 베이지안 모델링을 통해 포착될 수 있음을 확인하였다.