[論文レビュー] Arterial incident duration prediction using a bi-level framework of extreme gradient-tree boosting

Adriana‐Simona Mihăiţă, Zheyuan Liu+2 more|arXiv (Cornell University)|May 29, 2019

Traffic Prediction and Management Techniques参考文献 15被引用数 22

ひとこと要約

本稿では、シドニーの幹線道路における交通渋り事象の持続時間予測のため、二段階的アプローチを用いた二段階XGBoostフレームワークを提案する。まずアンサンブル木モデルを用いて、事象を45分未塔の短期間（＜45分）または長期の二値分類する。次に、交通フロー特徴量を用いて、実際の持続時間を回帰予測する。この手法は勾配ブースティング決定木（GBDT）よりも53％の性能向上を達成し、リアルタイムの局所的交通フローが最も重要な予測要因であった。

ABSTRACT

Predicting traffic incident duration is a major challenge for many traffic centres around the world. Most research studies focus on predicting the incident duration on motorways rather than arterial roads, due to a high network complexity and lack of data. In this paper we propose a bi-level framework for predicting the accident duration on arterial road networks in Sydney, based on operational requirements of incident clearance target which is less than 45 minutes. Using incident baseline information, we first deploy a classification method using various ensemble tree models in order to predict whether a new incident will be cleared in less than 45min or not. If the incident was classified as short-term, then various regression models are developed for predicting the actual incident duration in minutes by incorporating various traffic flow features. After outlier removal and intensive model hyper-parameter tuning through randomized search and cross-validation, we show that the extreme gradient boost approach outperformed all models, including the gradient-boosted decision-trees by almost 53%. Finally, we perform a feature importance evaluation for incident duration prediction and show that the best prediction results are obtained when leveraging the real-time traffic flow in vicinity road sections to the reported accident location.

研究の動機と目的

• 複雑な都市道路網において、データの質とネットワークの複雑さが正確な予測を妨げるという課題に取り組むこと。
• 交通管理センターの主要なパフォーマンス指標である、45分以内に事象が解消されるかどうかを予測することで、運用目標を達成すること。
• 周辺の道路区間からのリアルタイム交通フロー特徴量を統合することで、予測精度を向上させること。
• 高交通変動性と事象の多様性を特徴とする都市幹線ネットワークに適用可能なスケーラブルでデータ駆動型のフレームワークを開発すること。

提案手法

• 二段階のフレームワークを設計する：まず、アンサンブル木モデルを用いて、事象が45分未塔に解消されるかどうかを予測する二値分類ステージ。
• 次に、周辺の道路セグメントからの速度、流量、密度を含む交通フロー特徴量を用いて、実際の事象持続時間を回帰予測するステージ。
• モデル学習の前に、事象持続時間データの外れ値を除去する。
• ハイパーパramータの最適化のため、ランダムサーチと5分割交差検証を用いる。
• 両ステージで極端な勾配ブースティング（XGBoost）を用い、特徴量の重要度を評価して主要な予測要因を特定する。
• 事故発生地点に隣接する道路セグメントからのリアルタイム交通フロー情報を活用して、予測性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 従来の単一段階モデルと比較して、二段階の機械学習フレームワークは幹線道路の事象持続時間予測を改善できるか？
• RQ2 周辺の道路セグメントからのリアルタイム交通フロー特徴量を組み込むことで、XGBoostは事象持続時間の予測にどの程度効果的か？
• RQ3 都市幹線ネットワークにおける事象持続時間予測の精度に、局所的交通フロー情報がどの程度寄与しているか？
• RQ4 45分以内の解消という目標が、分類および回帰モデルの性能にどの程度の影響を及えるか？

主な発見

• XGBoostを基盤とする二段階フレームワークは、勾配ブースティング決定木（GBDT）と比較して、事象持続時間の予測でほぼ53％の性能向上を達成した。
• 周辺の道路セグメントからのリアルタイム交通フロー情報の組み込みにより、予測精度が顕著に向上し、最も重要な特徴量として浮き彫りになった。
• 分類ステージは、45分以内の短期間事象を効果的に特定でき、運用上の解消目標を支援した。
• 外れ値除去とハイパーパramータチューニングを経て、XGBoostは分類および回帰の両タスクにおいて優れたロバスト性と一般化性能を示した。
• 特徴量の重要度分析から、事故発生地点周辺の交通状況が、事故固有の属性だけに依存するよりも予測に優れた影響を及えたことが確認された。