[논문 리뷰] Travel Time Estimation without Road Networks: An Urban Morphological Layout Representation Approach

Wuwei Lan, Yanyan Xu외 1명|arXiv (Cornell University)|2019. 07. 08.

Traffic Prediction and Management Techniques참고 문헌 15인용 수 5

한 줄 요약

이 논문은 도로 네트워크나 매핑 매칭에 의존하지 않고 도시 형태 레이아웃 이미지에서 직접 통행 시간을 추정하는 엔드 투 엔드 다중 작업 딥러닝 모델인 DeepI2T를 제안한다. 이는 건물 환경의 격자 기반 시각적 표현으로부터 시공간 패턴을 학습함으로써 실생활 상하이 및 포르투 데이터셋에서 최신 기술 수준의 성능을 달성하며, 경로 인식 및 경로 무관 통행 시간 추정 시나리오 모두에서 뛰어난 성능을 보인다.

ABSTRACT

Travel time estimation is a crucial task for not only personal travel scheduling but also city planning. Previous methods focus on modeling toward road segments or sub-paths, then summing up for a final prediction, which have been recently replaced by deep neural models with end-to-end training. Usually, these methods are based on explicit feature representations, including spatio-temporal features, traffic states, etc. Here, we argue that the local traffic condition is closely tied up with the land-use and built environment, i.e., metro stations, arterial roads, intersections, commercial area, residential area, and etc, yet the relation is time-varying and too complicated to model explicitly and efficiently. Thus, this paper proposes an end-to-end multi-task deep neural model, named Deep Image to Time (DeepI2T), to learn the travel time mainly from the built environment images, a.k.a. the morphological layout images, and showoff the new state-of-the-art performance on real-world datasets in two cities. Moreover, our model is designed to tackle both path-aware and path-blind scenarios in the testing phase. This work opens up new opportunities of using the publicly available morphological layout images as considerable information in multiple geography-related smart city applications.

연구 동기 및 목표

• 도로 네트워크 데이터나 매핑 매칭에 의존하지 않고 도시 환경에서 통행 시간 추정 문제를 해결하기 위해.
• 토지 이용, 건물 밀도, 인프라를 나타내는 형태 레이아웃 이미지가 교통 혼잡도 및 통행 지연의 효과적인 대체 지표가 될 수 있는지 조사하기 위해.
• 시각적 도시 형태를 활용하여 경로 인식 및 경로 무관 통행 시간 쿼리 모두를 처리할 수 있는 통합 딥러닝 모델을 개발하기 위해.
• 개별 격자 셀 내의 이질적인 교통 조건을 캡처하여 고혼잡도 시간대의 추정 정확도를 향상시키기 위해.
• 공개된 위성 및 거리 수준의 영상 자료를 활용하여 확장 가능하고 자료 효율적인 통행 시간 예측을 가능하게 하기 위해.

제안 방법

• 모델은 도시 지역을 격자 셀로 나누고, 위성 또는 거리 수준의 시각 자료에서 유도된 형태 레이아웃 이미지로 각 셀을 표현한다.
• 토지 이용 패턴, 도로 밀도, 도시 구조를 캡처하기 위해 컨volutional 신경망(CNN) 인코더를 활용하여 공간적 특징을 추출한다.
• 경로를 따라 통행 동역학을 모델링하기 위해 시퀀스 형태의 격자 수준 표현을 처리하는 시간 모델링 구성 요소(예: RNN 또는 Transformer)를 사용한다.
• 통행 시간 예측과 혼잡도 수준 추정과 같은 보조 작업을 동시에 최적화하는 다중 작업 학습 프레임워크에서 엔드 투 엔드로 훈련한다.
• 경로 무관 쿼리의 경우, 출발지-도착지 간 거리와 레이아웃 유사도를 기반으로 타당한 경로를 유추하기 위해 인접한 이동 경로 솔루션을 사용한다.
• 동일한 공간 셀 내에서 단방향 및 이방향 교통 조건을 구분하기 위해 각 격자에 주행 방향 정보를 통합한다.

실험 결과

연구 질문

• RQ1 토지 이용, 건물 밀도, 인프라를 나타내는 형태 레이아웃 이미지가 교통 혼잡도 및 통행 지연의 신뢰할 수 있는 대체 지표가 될 수 있는가?
• RQ2 단지 레이아웃 이미지로만 훈련된 엔드 투 엔드 딥러닝 모델이 기존의 도로 네트워크 기반 또는 궤적 기반 모델보다 통행 시간 추정에서 얼마나 뛰어난 성능을 보일 수 있는가?
• RQ3 명시적인 라우팅 데이터 없이도 단일 모델이 경로 인식 및 경로 무관 통행 시간 추정 시나리오 모두에 효과적으로 일반화할 수 있는가?
• RQ4 레이아웃 기반 표현이 동일한 격자 셀 내에서 다양한 도로 방향에 따라 변화하는 혼잡 상태를 효과적으로 캡처할 수 있는가?
• RQ5 기존 모델이 성능이 저하되는 고정점 시간대에서도 모델이 안정적인 성능을 유지하는가?

주요 결과

• 상하이의 저녁 정점 시간대에 DeepI2T는 평균 절대 퍼센티지 오차(MAPE)가 15.75%를 기록하며, 경로 인식 설정에서 DeepTTE(20.15%)와 GridLSTM(17.95%)를 모두 초월한다.
• 경로 무관 추정에서 상하이의 아침 정점 시간대에 DeepI2T는 27.29%의 성공률(SR)을 기록하며, TEMP(24.15%)를 능가하고 경로 인식 기반 기준 모델에 가까운 성능을 보였다.
• 저녁 정점 시간대에 DeepI2T는 경로 인식 추정에서 41.37%의 성공률을 기록하며, DeepTTE(29.08%)와 GridLSTM(34.62%)를 크게 앞서며 뚜렷한 우월성을 보였다.
• 모델은 다양한 길이의 이동에 걸쳐 안정적인 성능을 유지하였으며, 긴 이동에 대해 성능이 크게 저하되는 DeepTTE보다 오차 분산이 낮았다.
• MAPE에 대한 훈련 및 평가 곡선이 밀접하게 일치하여 훈련 중 효과적인 일반화와 최소한의 과적합을 보였다.
• 도로 네트워크 데이터 없이도 모델은 매핑 매칭이나 명시적 라우팅 없이도 두 개의 실생활 데이터셋에서 최신 기술 수준의 성능을 달성하며 경쟁력을 보였다.