[論文レビュー] Deep Bidirectional and Unidirectional LSTM Recurrent Neural Network for Network-wide Traffic Speed Prediction

Zhiyong Cui, Ruimin Ke+2 more|arXiv (Cornell University)|Jan 7, 2018

Traffic Prediction and Management Techniques参考文献 44被引用数 397

ひとこと要約

本論文は、ネットワーク全体の交通速度を予測するための深層スタック型双方向・単方向LSTM（SBU-LSTM）アーキテクチャを提案し、双方向の時間的依存性と欠測データを扱うマスキング機構を活用します。

ABSTRACT

Short-term traffic forecasting based on deep learning methods, especially long short-term memory (LSTM) neural networks, has received much attention in recent years. However, the potential of deep learning methods in traffic forecasting has not yet fully been exploited in terms of the depth of the model architecture, the spatial scale of the prediction area, and the predictive power of spatial-temporal data. In this paper, a deep stacked bidirectional and unidirectional LSTM (SBU- LSTM) neural network architecture is proposed, which considers both forward and backward dependencies in time series data, to predict network-wide traffic speed. A bidirectional LSTM (BDLSM) layer is exploited to capture spatial features and bidirectional temporal dependencies from historical data. To the best of our knowledge, this is the first time that BDLSTMs have been applied as building blocks for a deep architecture model to measure the backward dependency of traffic data for prediction. The proposed model can handle missing values in input data by using a masking mechanism. Further, this scalable model can predict traffic speed for both freeway and complex urban traffic networks. Comparisons with other classical and state-of-the-art models indicate that the proposed SBU-LSTM neural network achieves superior prediction performance for the whole traffic network in both accuracy and robustness.

研究の動機と目的

• 大規模なネットワークと複雑な都市環境における交通予測のための深層学習の動機付け。
• 交通データにおける前方と後方の時間的依存性の双方を捉えるニューラルアーキテクチャを開発する。
• 入力値の欠測があってもマスキング機構を用いて堅牢な予測を実現する。
• ネットワーク全体の予測や異なる交通ネットワークタイプへのモデルのスケーラビリティを示す。

提案手法

• 交通速度予測のための深層スタック型双方向・単方向LSTM（SBU-LSTM）アーキテクチャを導入する。
• BDLSM層を用いて歴史データから空間特徴と双方向の時間的依存性を捉える。
• 訓練時および推論時に欠測入力値を扱うマスキング機構を組み込む。
• 高速道路と複雑な都市交通ネットワークの両方にモデルを適用する。
• 精度と頑健性を評価するため、古典的および最新のモデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 伝統的なモデルよりも深いBD-LSTMベースのアーキテクチャはネットワーク全体の交通速度予測を改善できるか。
• RQ2 双方向の時間的依存性と単方向レイヤを組み合わせることで予測精度と頑健性が向上するか。
• RQ3 マスキングは交通速度入力の欠測データをどの程度効果的に処理できるか。
• RQ4 提案モデルは高速道路と都市の状況にまたがる大規模ネットワークにスケール可能か。

主な発見

• SBU-LSTMアーキテクチャは、精度と頑健性の点で、全交通ネットワークに対する予測性能を参照モデルより上回る。
• 双方向の時間的依存性は交通速度データにおける後方の影響を捉えるのに役立つ。
• マスキング機構は訓練および予測時に欠測入力値を効果的に処理できる。
• この手法は高速道路と複雑な都市交通ネットワークの両方に適用可能である。
• 深層アーキテクチャは従来のアプローチより性能と頑健性の向上を示す。