[논문 리뷰] Deep convolutional generative adversarial networks for traffic data imputation encoding time series as images

Tongge Huang, Pranamesh Chakraborty외 1명|arXiv (Cornell University)|2020. 05. 05.

Traffic Prediction and Management Techniques참고 문헌 40인용 수 7

한 줄 요약

이 논문은 시간 시리즈의 시간적 의존성을 유지하기 위해 교통량 시간 시리즈를 그람يان 각도 합산 필드(GASF) 이미지로 인코딩하는 TSDIGAN이라는 딥 컨volution 제너레이티브 적대적 네트워크 프레임워크를 제안한다. 이는 결측된 교통 데이터의 고정밀도 복원을 가능하게 한다. 모델은 결측률이 50%를 초과하는 경우조차도 최신 기술 수준의 방법들을 뛰어넘는 성능을 보이며, 실제 교통 데이터 복원에서 강건성과 효율성을 입증한다.

ABSTRACT

Sufficient high-quality traffic data are a crucial component of various Intelligent Transportation System (ITS) applications and research related to congestion prediction, speed prediction, incident detection, and other traffic operation tasks. Nonetheless, missing traffic data are a common issue in sensor data which is inevitable due to several reasons, such as malfunctioning, poor maintenance or calibration, and intermittent communications. Such missing data issues often make data analysis and decision-making complicated and challenging. In this study, we have developed a generative adversarial network (GAN) based traffic sensor data imputation framework (TSDIGAN) to efficiently reconstruct the missing data by generating realistic synthetic data. In recent years, GANs have shown impressive success in image data generation. However, generating traffic data by taking advantage of GAN based modeling is a challenging task, since traffic data have strong time dependency. To address this problem, we propose a novel time-dependent encoding method called the Gramian Angular Summation Field (GASF) that converts the problem of traffic time-series data generation into that of image generation. We have evaluated and tested our proposed model using the benchmark dataset provided by Caltrans Performance Management Systems (PeMS). This study shows that the proposed model can significantly improve the traffic data imputation accuracy in terms of Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE) compared to state-of-the-art models on the benchmark dataset. Further, the model achieves reasonably high accuracy in imputation tasks even under a very high missing data rate ($>$ 50\%), which shows the robustness and efficiency of the proposed model.

연구 동기 및 목표

• 결측된 교통 센서 데이터 문제를 다루어 효과적인 교통 관리 및 분석을 방해하는 요소를 해결하기 위해.
• 기존의 복원 방법들이 교통 시간 시리즈 내 복잡한 시공간적 의존성을 포착하지 못하는 한계를 극복하기 위해.
• 데이터 복원을 합성 데이터 생성 문제로 간주하는 딥 러닝 기반 프레임워크를 개발하기 위해.
• 특히 신뢰할 수 없는 센서 데이터를 가진 실제 시나리오에서 높은 결측률 조건에서도 복원 정확도를 향상시키기 위해.
• 교통 패턴 유사성 기반 센서 클러스터링을 통해 공유 모델 훈련을 실현함으로써 효율적이고 확장 가능한 구현을 가능하게 하기 위해.

제안 방법

• 시간적 상관관계를 유지하고 이미지 기반 모델링을 가능하게 하기 위해 원시 교통 시간 시리즈를 그람يان 각도 합산 필드(GASF) 이미지로 변환한다.
• GASF 인코딩된 이미지에 대해 딥 컨volution 제너레이티브 적대적 네트워크(DCGAN)를 훈련시어 결측값에 대한 현실적인 합성 교통 데이터를 생성한다.
• 매일의 교통 패턴 유사성 기반으로 k-means 클러스터링을 사용해 센서를 클러스터로 그룹화하여 클러스터별로 공유 제너레이터 모델을 훈련시킨다.
• 실제 GASF 이미지와 생성된 이미지를 구분할 수 있도록 GAN 디스크림네이터를 사용하여 합성 데이터의 현실성과 정밀도를 향상시킨다.
• 재구성 손실(MAE, RMSE)을 최소화하면서도 생성된 데이터가 실제 교통 역학을 반영하도록 제너레이터를 최적화한다.
• PeMS 기준 데이터셋에서 다양한 결측률(10%에서 90%까지)에 대해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 시간 시리즈 의존성이 이미지 인코딩을 통해 유지될 경우, GAN 기반 모델이 결측된 교통 데이터를 효과적으로 복원할 수 있는가?
• RQ2 제안된 GASF 인코딩 방법은 표준 시간 시리즈 모델링 대비 시간 패턴을 복원하는 데 있어 얼마나 효과적인가?
• RQ3 기존 복원 모델 대비 높은 결측률 조건(예: >50%)에서 TSDIGAN 프레임워크의 성능은 어떠한가?
• RQ4 교통 패턴 유사성 기반 센서 클러스터링이 복원 정확도를 희생시키지 않고 모델 효율성과 일반화 능력을 향상시킬 수 있는가?
• RQ5 다른 데이터 품질(예: 높은 노이즈 또는 0량)을 가진 센서 간에 모델 성능은 어떻게 달라지는가?

주요 결과

• TSDIGAN은 모든 결측률 조건에서 기준 모델들보다 유의미하게 낮은 평균 절대 오차(MAE)와 제곱근 평균 제곱 오차(RMSE)를 기록했다.
• 30%의 결측률 조건에서 중앙값인 평균 상대 오차(MRE)는 20.7%였으며, 이는 외곽치로 인해 평균 MRE가 35.5%에 이르는 상황에서도 다수의 센서에서 뛰어난 성능을 보였음을 시사한다.
• 결측률이 50%를 초과하는 경우조차도 높은 정확도를 유지하여 극심한 데이터 손실 조건에서도 강건성을 입증했다.
• 센서 클러스터링을 활용함으로써 개별 센서 모델이 필요로 하는 수요를 줄여 훈련 및 구현 효율성을 향상시켰으며, 높은 성능를 유지했다.
• MAE와 RMSE 모두 SVR, HA, DSAE 및 GAN 기반 병렬 모델들을 능가했으며, 특히 높은 결측률 조건에서 가장 두드러진 성능 향상을 보였다.
• 소수의 노이즈가 많거나 볼륨이 낮은 센서의 영향을 받는 것으로 나타나 향후 연구에서는 이러한 경우에 대해 센서별 모델링 또는 개선된 클러스터링 전략 고려가 필요하다.