[논문 리뷰] Travel Speed Prediction with a Hierarchical Convolutional Neural Network and Long Short-Term Memory Model Framework

Wei Wang, Xucheng Li|arXiv (Cornell University)|2018. 09. 06.

Traffic Prediction and Management Techniques참고 문헌 15인용 수 6

한 줄 요약

이 논문은 공간-시간적 교통 패턴과 계절 변동성을 포착하는 고차원 D-CLSTM-t 딥러닝 모델을 제안한다. 이 모델은 합성곱 신경망(CNN)과 장기 기억 신경망(LSTM)을 융합하여 15~90분 후의 단기 주행 속도를 고정확도로 예측한다. 기존의 CNN, LSTM, LGBM 및 전통적 모델보다 성능이 뛰어나며, 15~90분 후의 속도 예측에서 뛰어난 성능을 보인다.

ABSTRACT

Advanced travel information and warning, if provided accurately, can help road users avoid traffic congestion through dynamic route planning and behavior change. It also enables traffic control centres mitigate the impact of congestion by activating Intelligent Transport System (ITS) proactively. Deep learning has become increasingly popular in recent years, following a surge of innovative GPU technology, high-resolution, big datasets and thriving machine learning algorithms. However, there are few examples exploiting this emerging technology to develop applications for traffic prediction. This is largely due to the difficulty in capturing random, seasonal, non-linear, and spatio-temporal correlated nature of traffic data. In this paper, we propose a data-driven modelling approach with a novel hierarchical D-CLSTM-t deep learning model for short-term traffic speed prediction, a framework combined with convolutional neural network (CNN) and long short-term memory (LSTM) models. A deep CNN model is employed to learn the spatio-temporal traffic patterns of the input graphs, which are then fed into a deep LSTM model for sequence learning. To capture traffic seasonal variations, time of the day and day of the week indicators are fused with trained features. The model is trained end-to-end to predict travel speed in 15 to 90 minutes in the future. We compare the model performance against other baseline models including CNN, LGBM, LSTM, and traditional speed-flow curves. Experiment results show that the D-CLSTM-t outperforms other models considerably. Model tests show that speed upstream also responds sensibly to a sudden accident occurring downstream. Our D-CLSTM-t model framework is also highly scalable for future extension such as for network-wide traffic prediction, which can also be improved by including additional features such as weather, long term seasonality and accident information.

연구 동기 및 목표

• 도시 교통망에서 높은 공간-시간적 복잡성과 비선형성을 가지는 단기 주행 속도 예측 과제를 해결하기 위해.
• 빅 트래픽 데이터셋으로부터 복잡하고 동적인 교통 패턴을 모델링할 수 있는 데이터 기반 딥러닝 프레임워크를 개발하기 위해.
• 시간대와 요일 정보를 통합하여 주간 및 일일 주기적 변화를 반영한 교통 속도 패턴을 포착하기 위해.
• 향후 네트워크 전체 예측 응용을 위한 확장 가능하고 종단 간(end-to-end) 훈련이 가능한 프레임워크를 제공하기 위해.
• 정확한 속도 예측을 통해 교통 관리의 사전적 인프라 기반 시스템(ITS) 조치를 지원함으로써 교통 관리 성능을 향상시키기 위해.

제안 방법

• 입력 교통 데이터를 그래프 형태로 표현한 후, 깊이 있는 합성곱 신경망(CNN)을 활용해 공간적 및 시간적 특징을 추출한다.
• 훈련된 CNN 특징을 깊이 있는 LSTM 네트워크에 입력하여 시간적 속도 추세의 순차적 모델링을 수행한다.
• 시간대 및 요일 정보를 CNN-LSTM 특징과 융합하여 주기적 및 계절적 교통 행동을 모델링한다.
• 15~90분 예측 수준에서 미래 주행 속도를 직접 예측하기 위해 전체 D-CLSTM-t 프레임워크를 종단 간(end-to-end)으로 훈련시킨다.
• 계층적 아키텍처를 활용하여 CNN은 국소적인 공간-시간 패턴을, LSTM은 장거리 시간 의존성을 모델링한다.
• 고해상도 빅 트래픽 데이터셋과 GPU 가속 훈련을 활용해 모델 성능을 최적화한다.

실험 결과

연구 질문

• RQ1 하이브리드 CNN-LSTM 모델은 도시 교통 속도 데이터의 공간-시간 역학을 효과적으로 포착할 수 있는가?
• RQ2 시간대 및 요일 정보 통합이 주행 속도 예측 정확도에 어떤 영향을 미치는가?
• RQ3 D-CLSTM-t 모델은 단기 속도 예측에서 독립적인 CNN, LSTM, LGBM 및 전통적 속도-유량 모델보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 모델은 하류 사고와 같은 갑작스러운 교통 사건에 얼마나 민감하게 반응하는가?
• RQ5 최소한의 아키텍처 수정으로 대규모 네트워크 전체 예측에 확장 가능한가?

주요 결과

• D-CLSTM-t 모델은 CNN, LSTM, LGBM 및 전통적 속도-유량 곡선과 같은 기준 모델들보다 15~90분 예측 수준에서 주행 속도 예측에서 뚜렷한 승리를 거두었다.
• 모델는 하류 사고와 같은 교통 사고에 매우 민감하게 반응하며, 상류 속도 변화가 예측에 정확하게 반영됨을 보였다.
• 시간대 및 요일 지표 통합으로 일반화 능력이 향상되었고, 주기적 교통 패턴을 효과적으로 포착하였다.
• 종단 간 훈련 전략을 통해 강력한 특징 학습이 가능했으며, 다양한 교통 조건에서 정확도가 향상되었다.
• 프레임워크는 네트워크 전체 예측에 매우 확장 가능하고 적응 가능하며, 기상 및 사고 데이터와 같은 추가 특징 통합 가능성도 있다.
• 시험 데이터셋에서 최신 기술 수준의 성능를 달성하여 실시간 교통 속도 예측 응용 분야에서의 효과성을 입증하였다.