[논문 리뷰] Two-Stream Multi-Channel Convolutional Neural Network (TM-CNN) for Multi-Lane Traffic Speed Prediction Considering Traffic Volume Impact

Ruimin Ke, Li Wan외 2명|arXiv (Cornell University)|2019. 03. 05.

Traffic Prediction and Management Techniques참고 문헌 25인용 수 12

한 줄 요약

이 논문은 공간-시간 특징 학습을 통해 속도 및 차량량 데이터를 공동으로 모델링함으로써 차선별 교통속도를 예측하는 이중 스트림 다중채널 CNN인 TM-CNN을 제안한다. 새로운 데이터 변환 방법과 차량량 인지 손실 함수를 도입하여 실제 교통 데이터를 사용한 다차선 속도 예측에서 기준 모델보다 뛰어난 정확도를 달성한다.

ABSTRACT

Traffic speed prediction is a critically important component of intelligent transportation systems (ITS). Recently, with the rapid development of deep learning and transportation data science, a growing body of new traffic speed prediction models have been designed, which achieved high accuracy and large-scale prediction. However, existing studies have two major limitations. First, they predict aggregated traffic speed rather than lane-level traffic speed; second, most studies ignore the impact of other traffic flow parameters in speed prediction. To address these issues, we propose a two-stream multi-channel convolutional neural network (TM-CNN) model for multi-lane traffic speed prediction considering traffic volume impact. In this model, we first introduce a new data conversion method that converts raw traffic speed data and volume data into spatial-temporal multi-channel matrices. Then we carefully design a two-stream deep neural network to effectively learn the features and correlations between individual lanes, in the spatial-temporal dimensions, and between speed and volume. Accordingly, a new loss function that considers the volume impact in speed prediction is developed. A case study using one-year data validates the TM-CNN model and demonstrates its superiority. This paper contributes to two research areas: (1) traffic speed prediction, and (2) multi-lane traffic flow study.

연구 동기 및 목표

• 집계된 속도 모델을 넘어서 차선 수준의 교통속도 예측에 대한 격차를 해소하기 위해.
• 기존 딥러닝 모델에서 자주 忽시되는 영향 요인인 교통량을 속도 예측에 핵심 요소로 통합하기 위해.
• 차선 간 및 속도와 차량량 간의 공간-시간 상관관계를 포괄하는 통합된 딥러닝 프레임워크를 개발하기 위해.
• 고해상도의 다차선 역학을 모델링하여 지능형 교통 시스템의 예측 정확도를 향상시키기 위해.

제안 방법

• 원시 속도 및 차량량 데이터를 공간-시간 다중채널 행렬로 변환하여 공간적 및 시간적 관계를 유지한다.
• 이중 스트림 CNN 아키텍처를 설계함: 한 스트림은 속도 특징을 처리하고, 다른 스트림은 차량량 특징을 처리하여 차선 수준의 동적 특징을 공동 학습한다.
• 양 스트림의 특징 맵을 융합하여 시간과 차선 간 속도 및 차량량 간의 다중 모odal 상관관계를 포착한다.
• 차량량 수준에 따라 예측 오차를 가중하는 새로운 손실 함수를 도입하여 고차량량 조건에서의 정확도를 강조한다.
• 백프로파게이션을 사용한 엔드 투 엔드 훈련을 통해 시간적 의존성을 컨볼루션 레이어를 통해 활용한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 집계된 속도가 아닌 차선별 교통속도를 효과적으로 예측할 수 있는가?
• RQ2 교통량 데이터를 통합함으로써 다차선 교통속도 예측의 정확도는 얼마나 향상되는가?
• RQ3 이중 스트림 CNN 아키텍처가 다수의 차선 간 및 속도-차량량 간 공간-시간 상관관계를 어느 정도 포착할 수 있는가?
• RQ4 차량량 인지 손실 함수는 특히 고차량량 교통 상황에서 더 나은 예측 성능을 이끌어내는가?

주요 결과

• TM-CNN 모델은 표준 CNN 및 RNN을 포함한 기준 모델 대비 차선 수준의 속도 예측에서 유의미하게 낮은 예측 오차를 기록한다.
• 입력 모odal로 교통량을 통합함으로써 특히 고차량량 교통 기간 동안 예측 정확도가 향상된다.
• 이중 스트림 아키텍처는 차선 간 및 다중 모달(속도-차량량) 의존성을 효과적으로 학습하여 특징 표현을 향상시킨다.
• 차량량 인지 손실 함수는 고차량량 시나리오에서 예측 오차를 감소시켜 다양한 교통 조건에서의 강건성을 입증한다.
• 모델은 모든 차선에서 높은 성능을 유지하여 개별 차선 역학에 대한 강력한 일반화 능력을 보여준다.