[논문 리뷰] Utilizing UNet for the future traffic map prediction task Traffic4cast challenge 2020

Sungbin Choi|arXiv (Cornell University)|2020. 11. 24.

Traffic Prediction and Management Techniques참고 문헌 9인용 수 10

한 줄 요약

이 논문은 Traffic4cast 2020 챌린지에서 미래 교통 지도를 예측하기 위해 잔차 연결과 밀집 연결 컨볼루션을 통합한 인코더-디코더 아키텍처를 활용한 UNet 기반 딥러닝 접근법을 제시한다. 여러 UNet 변종을 평균 또는 중앙값 융합 방식으로 조합함으로써, 새로 공개된 챌린지 데이터셋에서 최고 성능을 기록하였으며, 고해상도 도시 교통 예측 과제에 대해 뛰어난 일반화 능력을 입증하였다.

ABSTRACT

This paper describes our UNet based experiments on the Traffic4cast challenge 2020. Similar to the Traffic4cast challenge 2019, the task is to predict traffic flow volume, direction and speed on a high resolution map of three large cities worldwide. We mainly experimented with UNet based deep convolutional networks with various compositions of densely connected convolution layers, average pooling layers and max pooling layers. Three base UNet model types are tried and predictions are combined by averaging prediction scores or taking median value. Our method achieved best performance in this years newly built challenge dataset.

연구 동기 및 목표

• 복잡한 시공간 역학을 보이는 세 도시에서 고해상도 미래 교통 지도를 예측하는 과제를 해결하기 위해.
• UNet 아키텍처가 교통 데이터의 장거리 공간적 상관관계와 시간적 변화를 모델링하는 데 효과적인지 평가하기 위해.
• 앙상블 평균 또는 중앙값 융합 전략을 통해 여러 UNet 변종을 조합함으로써 예측 정확도를 향상시키기 위해.
• 다양한 풀링 레이어와 밀집 컨볼루션 블록을 포함한 UNet 아키텍처 변형을 탐색하여 최적의 성능을 도출하기 위해.
• 더 높은 해상도와 더 복잡한 도시 레이아웃을 특징으로 하는 새로 도입된 Traffic4cast 2020 데이터셋에서 최고의 성과를 달성하기 위해.

제안 방법

• 계층적인 공간적 특징을 캡처하기 위해 압축(에코더) 및 확장(디코더) 경로를 갖춘 U-Net 기반 인코더-디코더 아키텍처를 사용한다.
• 특징 재사용과 기울기 흐름 향상을 위해 인코더 및 디코더 경로에 밀집 컨볼루션 블록을 통합한다.
• 수용 영역과 특징 추상화 최적화를 위해 평균 풀링 및 최대 풀링 레이어의 다양한 조합을 테스트한다.
• 잔차 연결과 밀집 블록을 포함한 다양한 아키텍처 구성으로 세 가지 별도의 기본 UNet 모델을 훈련한다.
• 개별 모델 출력의 평균 또는 중앙값을 취함으로써 예측의 안정성과 일반화 능력을 향상시키기 위해 최종 예측을 앙상블한다.
• 역사적 교통 유량, 속도 및 방향 데이터를 고해상도 도시 도로 네트워크 격자로 매핑하여, 전체적으로 끝에서 끝까지 훈련한다.

실험 결과

연구 질문

• RQ1 UNet 기반 아키텍처는 고해상도 교통 지도의 시공간 상관관계를 효과적으로 모델링할 수 있는가?
• RQ2 다른 풀링 전략(평균 대비 최대)이 교통 예측 성능에 어떤 영향을 미치는가?
• RQ3 밀집 컨볼루션 블록의 통합이 특징 표현 및 예측 정확도를 향상시키는가?
• RQ4 여러 UNet 변종을 앙상블함으로써, 예측 성능의 안정성과 일반화 능력이 얼마나 향상되는가?
• RQ5 새로 공개된, 더 복잡한 Traffic4cast 2020 데이터셋에서 UNet 기반 모델이 이전 접근법을 초월할 수 있는가?

주요 결과

• 제안된 UNet 기반 방법은 Traffic4cast 2020 챌린지 데이터셋에서 최고 성능을 기록하였으며, 다른 제출 모델들을 압도하였다.
• 개별 모델 출력을 평균 또는 중앙값 융합하여 앙상블한 결과, 예측의 안정성과 정확도가 크게 향상되었다.
• 밀집 컨볼루션 블록의 사용은 특징 학습을 향상시키고 다양한 도시 레이아웃 간의 일반화 능력을 향상시켰다.
• 교통 유량 예측 맥락에서 최대 풀링 레이어가 평균 풀링 레이어보다 일반적으로 더 높은 성능을 보였다.
• 고해상도 지도에서 강력한 일반화 능력을 보이며, 실생활 도시 교통 예측 응용에 적합함을 입증하였다.
• 최종 앙상블 모델은 새로 구축된 데이터셋에서 최고 성능을 기록하였으며, 아키텍처 앙상블 및 잔차-밀집 블록의 효과성을 확인하였다.