[논문 리뷰] Traffic signal prediction on transportation networks using spatio-temporal correlations on graphs

Semin Kwak, Nikolas Geroliminis외 1명|arXiv (Cornell University)|2021. 04. 27.

Traffic Prediction and Management Techniques참고 문헌 33인용 수 5

한 줄 요약

이 논문은 교통망의 교통 신호를 예측하기 위해 그래프 기반 열 확산 커널과 데이터 기반 동적 선형 모델(DLM)을 융합하는 베이지안 공간시계열 모델을 제안한다. 베이지안 추론을 통해 혼합 가중치를 최적화함으로써, 깊이 신경망 모델 수준의 정확도를 달성하면서도 계산 비용을 크게 줄였고, 명시적인 주기성 모델링 덕분에 장기 예측 성능이 뛰어나다.

ABSTRACT

Multivariate time series forecasting poses challenges as the variables are intertwined in time and space, like in the case of traffic signals. Defining signals on graphs relaxes such complexities by representing the evolution of signals over a space using relevant graph kernels such as the heat diffusion kernel. However, this kernel alone does not fully capture the actual dynamics of the data as it only relies on the graph structure. The gap can be filled by combining the graph kernel representation with data-driven models that utilize historical data. This paper proposes a traffic propagation model that merges multiple heat diffusion kernels into a data-driven prediction model to forecast traffic signals. We optimize the model parameters using Bayesian inference to minimize the prediction errors and, consequently, determine the mixing ratio of the two approaches. Such mixing ratio strongly depends on training data size and data anomalies, which typically correspond to the peak hours for traffic data. The proposed model demonstrates prediction accuracy comparable to that of the state-of-the-art deep neural networks with lower computational effort. It notably achieves excellent performance for long-term prediction through the inheritance of periodicity modeling in data-driven models.

연구 동기 및 목표

• 복잡한 공간시계열 상관관계를 고려한 다변량 교통 신호 예측 문제를 해결하기 위해.
• 딥 뉴럴 네트워크보다 계산 비용을 줄이면서도 높은 예측 정확도를 유지하기 위해.
• 교통 신호의 일일 주기성을 명시적으로 모델링하여 장기 예측 성능을 향상시키기 위해.
• 베이지안 추론을 통해 구조적 그래프 정보(예: 물리적 근접성)와 데이터 기반 역학을 통합하기 위해.
• 실제 교통망에 적합한 확장성 있고, 하이퍼파rameter가 적은 모델을 개발하기 위해.

제안 방법

• 교통망의 그래프 표현에서 다중 열 확산 커널을 조합하여 공간적 종속성을 캡처한다.
• 시간 동적 구조를 나타내기 위해 동적 선형 모델(DLM)을 사용하고, 시간별 회귀 행렬을 통해 일일 주기성을 명시적으로 모델링한다.
• 예측 오차를 최소화하기 위해, 확산 커널의 혼합 가중치와 DLM 파라미터를 함께 추정하기 위해 베이지안 추론을 적용한다.
• 교차 검증에 의존도가 낮은 분석적 최적화 과정을 통해 하이퍼파rameter를 최적화한다.
• 거리 기반 연결성과 임계값 κ, 커널 폭 σ를 사용하여 k-정점 연결된 구조를 보장하는 그래프 구조를 구축한다.
• 오직 K+2개의 파라미터만 수치적으로 추정(복잡도 O(K²))하고, 나머지는 분석적으로 추론함으로써 빠른 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 시간 모델링과 융합할 때, 그래프 기반 확산 커널이 데이터 기반 교통 신호 예측 성능을 향상시킬 수 있는가?
• RQ2 베이지안 추론을 통해 공간시계열 예측에서 구조적(그래프 기반) 및 데이터 기반 구성요소를 최적의 비율로 균형 잡을 수 있는가?
• RQ3 제안된 방법은 계산 비용을 줄이면서도 딥 러닝 기반 모델을 능가하는 장기 교통 예측 성능를 보일 수 있는가?
• RQ4 커널 폭 σ와 확산 과정 수 K와 같은 하이퍼파rameter의 변화에 모델 성능이 얼마나 민감한가?
• RQ5 모델은 일일 주기 패턴을 보이는 다양한 교통 데이터셋에 일반화 가능한가?

주요 결과

• PEMS-BAY 데이터셋에서 15-, 30-, 60분 예측 수준에서 각각 RMSE 2.90, 3.77, 4.44를 기록하여 최신 딥 러닝 모델과 동등한 성능을 달성한다.
• 90분 및 120분 예측에서는 RMSE 4.70과 5.26을 기록하여 DCRNN(5.26 및 6.02)을 능가하며, 장기 예측 정확도가 뛰어나다.
• CPU에서 총 학습 시간이 760초에 불과하여 GPU 기반 DNN 모델의 50~100에포크 학습에 비해 훨씬 빠르다.
• 하이퍼파rameter 조정이 최소한으로 필요하며, K=3에서 K=7 사이의 확산 과정 수에서도 성능이 안정적이며, RMSE 변화 폭이 ±0.01 이내다.
• N²개의 파라미터에 대해 분석적 추론을 통해 높은 정확도를 달성했으며, 수치 최적화에 대한 의존도를 감소시켰다.
• DLM에서 유래한 주기성 모델링 덕분에, 데이터 이상 현상이 흔한 정점 시간대에서도 견고한 성능을 발휘한다.