[논문 리뷰] Traffic4cast at NeurIPS 2022 -- Predict Dynamics along Graph Edges from Sparse Node Data: Whole City Traffic and ETA from Stationary Vehicle Detectors

Moritz Neun, Christian Eichenberger외 28명|arXiv (Cornell University)|2023. 03. 14.

Traffic Prediction and Management Techniques인용 수 5

한 줄 요약

이 논문은 정적 감지기에서 수집한 희박한 이력 차량 수 데이터만을 사용하여 전도시 교통 혼잡도와 이동 시간을 예측하기 위한 머신러닝 접근법을 제시한다. 도시 도로망의 시공간 그래프에서 그래프 신경망(GNN)과 기울기 부스팅 모델을 활용함으로써, 입력 데이터가 제한된 상황에서도 15분 뒤의 혼잡도 등급과 평균 이동 시간을 강력한 성능으로 예측할 수 있었으며, 이는 확장 가능하고 개인정보 보호에 유리한 도시 교통 예측으로 향한 핵심 단계를 나타낸다.

ABSTRACT

The global trends of urbanization and increased personal mobility force us to rethink the way we live and use urban space. The Traffic4cast competition series tackles this problem in a data-driven way, advancing the latest methods in machine learning for modeling complex spatial systems over time. In this edition, our dynamic road graph data combine information from road maps, $10^{12}$ probe data points, and stationary vehicle detectors in three cities over the span of two years. While stationary vehicle detectors are the most accurate way to capture traffic volume, they are only available in few locations. Traffic4cast 2022 explores models that have the ability to generalize loosely related temporal vertex data on just a few nodes to predict dynamic future traffic states on the edges of the entire road graph. In the core challenge, participants are invited to predict the likelihoods of three congestion classes derived from the speed levels in the GPS data for the entire road graph in three cities 15 min into the future. We only provide vehicle count data from spatially sparse stationary vehicle detectors in these three cities as model input for this task. The data are aggregated in 15 min time bins for one hour prior to the prediction time. For the extended challenge, participants are tasked to predict the average travel times on super-segments 15 min into the future - super-segments are longer sequences of road segments in the graph. The competition results provide an important advance in the prediction of complex city-wide traffic states just from publicly available sparse vehicle data and without the need for large amounts of real-time floating vehicle data.

연구 동기 및 목표

• 정적 차량 감지기에서 수집한 희박하고 저해상도의 데이터만을 사용하여 도시 전체의 교통 역학을 예측하는 문제에 대응한다.
• 세 대도시의 슈퍼세그먼트에서 혼잡도 수준(빨간색/노란색/초록색)과 평균 이동 시간을 정확하게 예측할 수 있도록 한다.
• 모델이 제한된 노드 수준의 데이터에서 출발하여 전체 도로 그래프의 엣지 수준의 동역학을 예측할 수 있음을 입증한다.
• GPS 트레이스와 같은 고밀도 실시간 프로브 데이터에 의존하지 않고도 전역적인 교통 패턴을 학습할 수 있는지 탐색한다.
• 다양한 도시의 데이터 희박성, 레이블 분포의 불균형, 커버리지 등에 영향을 받는 모델의 강인성을 평가한다.

제안 방법

• 모델은 도로 그래프의 노드에 위치한 공간적으로 희박한 정적 감지기에서 수집한 15분 간격의 1시간 분량의 차량 수 데이터를 기반으로 훈련된다.
• 도로망은 엣지가 도로 세그먼트를, 노드가 감지기 위치를 나타내는 동적 그래프로 표현된다.
• 그래프 신경망(GNN)과 기울기 부스팅 기반 기계학습(GBM) 모델을 사용하여 희박한 노드 관측치에서 시공간적 의존성을 학습한다.
• 핵심 과제에서는 향후 15분 간 도로 그래프의 모든 엣지에 대해 속도 기준값에 기반한 세 가지 혼잡도 등급(빨간색/노란색/초록색)의 가능성 예측을 수행한다.
• 확장 과제에서는 슈퍼세그먼트—연결된 도로 세그먼트의 긴 시퀀스—를 따라 평균 이동 시간(ETA)을 예측한다.
• 레이블 불균형을 완화하고 희귀하거나 이례적인 사건에 대한 성능을 향상시키기 위해 클래스 가중치 설정과 슈퍼세그먼트 샘플링 기법을 적용한다.

실험 결과

연구 질문

• RQ1 희박한 노드 수준의 차량 수 데이터만을 사용해 훈련된 모델이 도시 전체 도로망의 혼잡도 상태를 정확하게 예측할 수 있는가?
• RQ2 GNN과 GBM 모델이 제한된 감지기 데이터에서 출발하여 관측되지 않은 엣지의 전역 교통 역학을 얼마나 잘 일반화하는가?
• RQ3 레이블 분포의 불균형과 낮은 공간 커버리지가 다양한 도시 간 모델 성능에 얼마나 영향을 미치는가?
• RQ4 모델 출력을 역사적 경험적 레이블 분포에 맞게 재가중할 수 있는가? 이는 장기적인 패턴을 효과적으로 학습했음을 시사한다.
• RQ5 슈퍼세그먼트에서의 ETA 예측 성능이 실생활 내비게이션 및 경로 계획 응용에 대한 전이 가능성(transferability)을 어떻게 보여주는가?

주요 결과

• 최우수 모델은 핵심 경쟁 대회에서 전체 손실 기준으로 가장 낮은 성능을 기록했으며, 도시별로 성능 차이가 뚜렷하게 나타났다. 멜버른은 레이블 커버리지가 낮아(16%) 불균형도 심해 손실이 가장 높았다.
• 역사적 경험적 레이블 분포와 재가중된 모델 출력 간 강한 상관관계가 관찰되어, 모델이 장기적인 교통 패턴을 성공적으로 학습했다는 것을 시사한다.
• 확장 과제에서는 손실 수준이 레이블 분포의 좁은 정도와 반비례하는 경향을 보였으며, 멜버른의 피크형 분포는 런던의 평탄하고 尾重인 분포보다 낮은 손실을 기록했다.
• 희박한 입력 데이터에도 불구하고 GNN과 GBM 모두 강력한 일반화 성능를 보였으며, 이는 교통의 시간적·공간적 의존성이 최소한의 데이터로도 효과적으로 포착될 수 있음을 시사한다.
• 결과적으로 고밀도 GPS 프로브 데이터에 의존하지 않고도 공개된 개인정보 보호에 유리한 차량 감지기 데이터만으로도 고품질의 도시 전역 교통 예측이 가능하다는 점을 확인했다.
• 본 연구는 데이터 희박성과 레이블 불균형이 핵심 과제임을 부각시키며, 멜버른의 낮은 커버리지와 높은 불균형이 가장 예측하기 어려운 도시임을 입증했다.