[논문 리뷰] Traffic Forecasting using Vehicle-to-Vehicle Communication

Steven Wong, Lejun Jiang외 4명|arXiv (Cornell University)|2021. 04. 12.

Traffic Prediction and Management Techniques참고 문헌 11인용 수 5

한 줄 요약

이 논문은 실시간 차량 간(V2V) 통신 데이터를 기반으로 뉴웰의 원리 기반 차량 추종 모델과 ResLSTM-FC 신경망을 사용한 잔차 오차 예측을 융합한 하이브리드 교통 예측 모델을 제안한다. 이 방법은 순수한 원리 기반 또는 딥러닝 기반 기준선보다 유의미하게 낮은 속도 예측 오차를 달성하며, 40초 예측 수준에서 평균 오차를 최대 12%까지 감소시킨다. 또한 연결된 차량에서 실시간 차량 내 예측을 가능하게 한다.

ABSTRACT

We take the first step in using vehicle-to-vehicle (V2V) communication to provide real-time on-board traffic predictions. In order to best utilize real-world V2V communication data, we integrate first principle models with deep learning. Specifically, we train recurrent neural networks to improve the predictions given by first principle models. Our approach is able to predict the velocity of individual vehicles up to a minute into the future with improved accuracy over first principle-based baselines. We conduct a comprehensive study to evaluate different methods of integrating first principle models with deep learning techniques. The source code for our models is available at https://github.com/Rose-STL-Lab/V2V-traffic-forecast .

연구 동기 및 목표

• 차량 간(V2V) 통신 데이터만을 사용하여 개별 차량에서 실시간 차량 내 교통 예측을 가능하게 하기 위해.
• 특히 인간의 행동 변동성과 노이즈를 잘 포착할 수 있도록 원리 기반 모델만으로는 달성할 수 없는 예측 정확도를 향상시키기 위해.
• 속도와 유량의 분포 변화가 발생하는 다양한 교통 조건에서도 잘 일반화되는 방법을 개발하기 위해.
• 물리 기반 모델과 데이터 기반 딥러닝을 융합하여 강건하고 정확하며 해석 가능한 교통 예측을 가능하게 하기 위해.
• 자연적인 교통 조건에서 연결된 차량으로부터 수집한 실세계 V2V 데이터셋을 기반으로 한 방법의 검증을 위해.

제안 방법

• 해당 방법은 라이더 차량의 데이터를 기반으로 향후 차량 속도의 기초 예측을 위해 뉴웰의 차량 추종 모델을 사용한다.
• 뉴웰 예측과 실제 관측된 속도 간의 잔차 오차를 계산하고, 이 오차를 잔차 장기 기억(Long Short-Term Memory, ResLSTM) 네트워크와 완전히 연결된 헤드(ResLSTM-FC)를 사용하여 모델링한다.
• ResLSTM-FC 네트워크는 뉴웰 예측을 입력으로 받아 오차를 예측하고, 이를 기초 예측에 더하여 최종 예측을 도출한다.
• 모델은 연결된 차량의 원시 GPS 데이터를 기반으로 엔드 투 엔드로 훈련되며, 라이더 차량의 과거 위치와 속도 시퀀스를 사용하여 최대 1분 뒤의 자기 차량 속도를 예측한다.
• 표준 LSTM 및 완전히 연결된 네트워크와 같은 다양한 아키텍처에서 평가되며, 잔차 학습과 원리 기반 통합의 기여도를 분리하기 위한 분석(ablation study)가 수행된다.
• 분포 변화에 대한 일반화 능력을 시험하기 위해, 느린 혼잡한 교통에서 훈련하고 자유 흐름 조건에서 테스트하는 방식을 사용한다.

실험 결과

연구 질문

• RQ1 원리 기반 교통 모델과 딥러닝을 융합한 하이브리드 모델이 순수 기준선 대비 차량 내 교통 예측 정확도를 향상시킬 수 있는가?
• RQ2 학습된 모델에서 잔차 오차를 예측하는 통합 방식이 뉴웰 모델과 같은 물리 기반 기초 예측의 성능을 어떻게 향상시키는가?
• RQ3 혼잡 상태와 자유 흐름 상태와 같은 다양한 교통 제도에서 제안된 방법이 얼마나 잘 일반화되는가?
• RQ4 실시간 차량 수준의 예측을 위해 원리 기반 예측과 딥러닝을 융합하는 데 최적의 아키텍처는 무엇인가?
• RQ5 훈련 데이터 분포와 다른 데이터 분포에서 테스트할 경우 모델이 얼마나 강건한가?

주요 결과

• ResLSTM-FC 모델은 40초 예측 수준에서 평균 속도 오차가 2.61 m/s ± 0.16으로 가장 낮게 기록되었으며, 일정 속도 기준선(2.25 m/s)과 뉴웰 모델(2.96 m/s)을 모두 앞섰다.
• 10초 예측 수준에서 ResLSTM-FC 모델은 평균 오차가 2.19 m/s ± 0.29로, 뉴웰 모델의 2.86 m/s보다 유의미하게 낮았다.
• 순수한 딥러닝 기반 기준선 대비 오차 증가 속도가 느려 장기적인 안정성이 뛰어나다는 것을 보여주었다.
• 분포 변화 조건—즉, 혼잡한 교통에서 훈련하고 자유 흐름 조건에서 테스트하는 상황—에서도 ResLSTM-FC 모델은 합리적인 성능을 유지하였으며, 40초 오차가 4.16 m/s ± 0.48로 기록되었고, 이는 해당 설정에서 순수한 딥러닝 모델보다 성능이 뛰어났다.
• 분석 결과, 뉴웰 모델에 잔차 오차 학습을 통합하는 것이 성능 향상의 핵심 요소임을 확인하였으며, 단순히 딥러닝을 사용하거나 간단한 아키텍처를 사용하는 것보다 우수한 성능을 기록하였다.
• 모델는 다양한 교통 조건에서 잘 일반화되며, 연결된 차량에 실질적인 도입 가능성에 대한 근거를 제시한다.