[論文レビュー] Bus Travel Time Prediction: A Lognormal Auto-Regressive (AR) Modeling Approach

B. Dhivyabharathi, B. Anil Kumar+2 more|ArXiv.org|Apr 6, 2019

Traffic Prediction and Management Techniques参考文献 73被引用数 5

ひとこと要約

本稿では、AVLデータ内の時間的相関を季節的ARと、部分相関を活用する新規非定常ARモデルで捉えることで、バスの所要時間予測のための対数正規分布を仮定した自己回帰的モデリング手法を提案する。所要時間の対数正規分布を組み込むことで、歴史的平均、指数平滑法、ARIMA、ANN手法を凌駕し、インドの多様な交通状況下でも優れた精度を達成する。

ABSTRACT

Providing real time information about the arrival time of the transit buses has become inevitable in urban areas to make the system more user-friendly and advantageous over various other transportation modes. However, accurate prediction of arrival time of buses is still a challenging problem in dynamically varying traffic conditions especially under heterogeneous traffic condition without lane discipline. One broad approach researchers have adopted over the years is to segment the entire bus route into segments and work with these segment travel times as the data input (from GPS traces) for prediction. This paper adopts this approach and proposes predictive modelling approaches which fully exploit the temporal correlations in the bus GPS data. Specifically, we propose two approaches: (a) classical time-series approach employing a seasonal AR model (b)unconventional linear, non-stationary AR approach. The second approach is a novel technique and exploits the notion of partial correlation for learning from data. A detailed analysis of the marginal distributions of the data from Indian conditions (used here), revealed a predominantly log-normal behavior. This aspect was incorporated into the above proposed predictive models and statistically optimal prediction schemes in the lognormal sense are utilized for all predictions. Both the above temporal predictive modeling approaches predict ahead in time at each segment independently. For real-time bus travel time prediction, one however needs to predict across multiple segments ahead in space. Towards a complete solution, the study also proposes an intelligent procedure to perform (real-time) multi-section ahead travel-time predictions based on either of the above proposed temporal models. Results showed a clear improvement in prediction accuracy using the proposed methods,

研究の動機と目的

• インドの都市で一般的な動的で多様な交通環境下における正確なリアルタイムバス到着時刻予測の課題に対処すること。
• 区間レベルのデータにおける所要時間の時間的相関を時系列手法を用いてモデル化することで、予測精度を向上させること。
• 特に対数正規分布という所要時間分布の統計的性質を予測モデリングに組み込むことで、最適な性能を達成すること。
• リアルタイムでのBATPシステム実装を可能にする、複数区間先予測フレームワークを構築すること。
• 既存の文献における時間的相関と分布仮定の両方を体系的に統合する点で、格差を埋めること。

提案手法

• 各路線区間における特定の時間帯の所要時間を観測値とする1変量時系列としてバス所要時間をモデル化する。
• 時間帯のパターンを捉えるために、AIC基準により乗法的または加法的な季節的自己回帰（SAR）モデルを選択する。
• 部分相関を活用して各時間帯に別個の線形回帰モデルを学習する新規非定常ARモデルを提案する。
• 所要時間の対数正規分布を予測フレームワークに組み込むことで、分布仮定のもとで統計的に最適な推定を実現する。
• 各セグメントで独立に訓練されたモデルを用いて連続する区間を跨いで予測を連結する、複数区間先予測アルゴリズムを開発する。
• 27日間の運用における実世界のGPSデータを用いてモデルを訓練・検証し、MAPEを用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 AVLデータ内の時間的相関を効果的にモデル化することで、多様な交通状況下でのバス所要時間予測をどのように改善できるか？
• RQ2 所要時間に対数正規分布を仮定することの予測精度への影響は、正規分布仮定と比較してどの程度か？
• RQ3 部分相関学習に基づく非定常ARモデルは、古典的な季節的ARおよび他のベンチマーク手法を上回ることができるか？
• RQ4 正確性と計算実行可能性を維持しつつ、複数区間にわたりリアルタイムで予測を拡張する方法は何か？
• RQ5 本稿で提案するモデルは、ARIMA、ANN、指数平滑法といった既存手法を、実世界の都市環境下でどの程度上回るか？

主な発見

• 提案された季節的ARモデルは、全テスト日において非定常ARモデルをわずかに上回る性能を示し、MAPEが低かった。
• 非定常ARモデルの性能は、高品質なデータが不足していたことにより制限を受けており、より大きなデータセットがあれば改善が期待できる。
• 両モデルとも、全テスト日において歴史的平均、指数平滑法、ARIMA、ANN手法をMAPEの観点で上回った。
• 予測フレームワークに対数正規分布を組み込むことで、統計的に最適な予測が実現され、正規分布ベースのモデルに比べて顕著に精度が向上した。
• 複数区間先予測フレームワークは、区間固有のモデルを用いてセグメントを跨いで予測を連結することで、リアルタイム実装を成功裏に実現した。
• 本研究では、時間的相関と分布的挙動を併せてモデル化することで、複雑な現実世界の交通環境下で優れた結果が得られることを確認した。