[논문 리뷰] Traffic map prediction using UNet based deep convolutional neural network

Sungbin Choi|arXiv (Cornell University)|2019. 11. 25.

Traffic Prediction and Management Techniques참고 문헌 7인용 수 6

한 줄 요약

이 논문은 실세계 데이터를 바탕으로 한 세 개의 글로벌 도시에서 Traffic4cast 2019 챌린지에서 최고 성능을 기록한, 각 블록 내에서 조밀한 연결을 갖춘 UNet 기반의 딥 컨volution 신경망을 제안한다. 이 모델은 고해상도 도시 지도에서 단기 교통 지도 예측을 위해 교통 흐름량, 방향, 속도를 예측한다.

ABSTRACT

This paper describes our UNet based deep convolutional neural network approach on the Traffic4cast challenge 2019. Challenges task is to predict future traffic flow volume, heading and speed on high resolution whole city map. We used UNet based deep convolutional neural network to train predictive model for the short term traffic forecast. On each convolution block, layers are densely connected with subsequent layers like a DenseNet. Trained and evaluated on the real world data set collected from three distinct cities in the world, our method achieved best performance in this challenge.

연구 동기 및 목표

• 고해상도 도시 지도에서 정확한 단기 교통 흐름 예측을 위한 딥 러닝 모델을 개발하는 것.
• 실세계 데이터를 활용하여 복잡한 도시 환경에서 교통 흐름량, 방향, 속도를 예측하는 과제를 해결하는 것.
• UNet 아키텍처를 조밀한 연결으로 강화하여 기존 방법보다 예측 성능을 향상시키는 것.
• 세 개의 서로 다른 글로벌 도시에서의 실세계 데이터셋을 바탕으로 모델을 검증하는 것.
• Traffic4cast 2019 머신러닝 챌린지에서 최고 성능을 달성하는 것.

제안 방법

• 교통 지도의 공간적 종속성을 포착하기 위해 UNet 기반의 인코더-디코더 아키텍처를 사용한다.
• 각 컨볼루션 블록은 DenseNet과 유사하게 레이어 간에 조밀한 연결을 통합하여 특징 재사용과 기울기 흐름을 향상시킨다.
• 단기 예측 시간 간격 동안 미래의 교통 상태를 예측하기 위해 역사적 교통 데이터를 엔드 투 엔드로 훈련한다.
• 입력 특징은 전체 도시 지도의 교통 흐름량, 방향(헤딩), 속도를 포함한다.
• 스킵 연결과 조밀한 레이어 통합을 통해 시공간 패턴을 효과적으로 학습할 수 있도록 아키텍처를 설계한다.
• 세 개의 도시에서의 실세계 교통 데이터셋을 사용하여 표준 딥 러닝 훈련 절차에 따라 모델를 최적화한다.

실험 결과

연구 질문

• RQ1 UNet 기반의 딥 러닝 모델에 조밀한 연결을 통합하면 고해상도 도시 지도에서 단기 교통 예측 정확도를 향상시킬 수 있는가?
• RQ2 UNet 블록 내부에 조밀한 연결을 통합할 경우 교통 예측 작업에서 성능에 어떤 영향을 미치는가?
• RQ3 제안된 모델은 다양한 교통 역학을 보이는 다수의 도시 환경에 잘 일반화되는가?
• RQ4 이 아키텍처를 사용하여 Traffic4cast 2019 벤치마크에서 어떤 정도의 예측 성능을 달성할 수 있는가?
• RQ5 Traffic4cast 챌린지에서 다른 최신 기술과 비교해 볼 때 모델의 성능은 어떠한가?

주요 결과

• 제안된 모델은 Traffic4cast 2019 챌린지에서 제출된 모든 참가자들 중에서 최고의 성능을 기록하였다.
• 각 UNet 블록 내부에 조밀한 연결을 통합함으로써 특징 학습이 향상되고 예측 정확도가 향상되었다.
• 다양한 교통 패턴을 보이는 세 도시에서 강력한 일반화 능력을 보였다.
• 고해상도 교통 지도에서 복잡한 시공간 종속성을 효과적으로 포착하였다.
• 교통 흐름량, 헤딩, 속도를 동시에 예측하는 데서 베이스라인 방법들을 능가하는 성능을 보였다.
• UNet의 스킵 연결과 DenseNet 스타일의 조밀한 블록을 조합하는 것이 교통 예측에 효과적임을 확인하였다.