[논문 리뷰] DeepTravel: a Neural Network Based Travel Time Estimation Model with Auxiliary Supervision

Hanyuan Zhang, Hao Wu외 2명|arXiv (Cornell University)|2018. 02. 06.

Traffic Prediction and Management Techniques참고 문헌 13인용 수 23

한 줄 요약

DeepTravel는 경로 이동 시간을 정확하게 추정하기 위해 GPS 타임스탬프 시퀀스에서 보조적 지도를 활용하는 딥러닝 모델이다. 이중 간격 손실을 통해 정확도를 향상시키며, 실제 데이터셋에서 최신 기술을 초월하여 성능을 발휘한다. 전체 기능 통합을 통해 上海 데이터셋에서 MAPE 13.3%를 기록한다.

ABSTRACT

Estimating the travel time of a path is of great importance to smart urban mobility. Existing approaches are either based on estimating the time cost of each road segment which are not able to capture many cross-segment complex factors, or designed heuristically in a non-learning-based way which fail to utilize the existing abundant temporal labels of the data, i.e., the time stamp of each trajectory point. In this paper, we leverage on new development of deep neural networks and propose a novel auxiliary supervision model, namely DeepTravel, that can automatically and effectively extract different features, as well as make full use of the temporal labels of the trajectory data. We have conducted comprehensive experiments on real datasets to demonstrate the out-performance of DeepTravel over existing approaches.

연구 동기 및 목표

• 경로 수준의 동역학을 모델링하지 못하고 시간 데이터를 효율적으로 활용하지 못하는 세그먼트 기반 및 서브경로 기반 이동 시간 추정 방법의 한계를 해결한다.
• 궤적 데이터에 포함된 풍부한 시간 레이블(GPS 타임스탬프)을 활용하여 모델의 일반화 능력과 정확도를 향상시킨다.
• 공간, 시간, 주행 행동 동역학을 종합적으로 포괄하는 종단간 훈련 가능한 모델을 개발하여 경로 수준의 이동 시간 예측을 실현한다.
• 중간 GPS 지점에서의 정방향 및 역방향 간격 예측을 보조 지도로 활용하여 기울기 흐름과 표현 학습을 향상시키는 새로운 이중 간격 손실 함수를 도입한다.

제안 방법

• 공간 임베딩, 시간 임베딩, 주행 상태 특징, 단기 및 장기 교통 특징을 통합하는 고유한 특징 추출 모듈을 갖춘 BiLSTM 기반 아키텍처를 제안한다.
• 정방향 및 역방향 간격 예측을 GPS 타임스탬프에서 활용하여 주 이동 시간 예측을 지도하는 보조 지도로 사용하는 이중 간격 손실 함수를 도입한다.
• 교통 혼잡, 교차로 지연, 운전자 행동과 같은 복잡한 동역학을 모델링하기 위해 다중 수준의 특징 추출 구조를 활용한다.
• 최종 이동 시간 예측을 위한 주 손실과 중간 시간 간격을 위한 보조 손실을 병합하여 종단간 훈련을 수행한다.
• 외부 속도 측정이나 히우리스틱 서브경로 매칭에 의존하지 않고, 이전 궤적 데이터를 활용하여 패턴을 학습한다.
• 보조 지도를 통한 데이터 증강을 적용하여 훈련 중 일반화 능력과 수렴 속도를 향상시킨다.

실험 결과

연구 질문

• RQ1 GPS 타임스탬프에서 유도된 보조 지도가 딥러닝 모델의 이동 시간 추정 정확도를 향상시키는가?
• RQ2 개별 세그먼트가 아닌 전체 경로를 하나의 단위로 모델링할 경우 예측 성능에 어떤 영향을 미치는가?
• RQ3 공간, 시간, 주행 상태, 교통 패턴 등의 다양한 특징 유형이 이동 시간 추정에 얼마나 기여하는가?
• RQ4 정방향 및 역방향 간격 지도를 동시에 사용할 경우 단방향 지도보다 상호 보완적인 이점을 제공하는가?
• RQ5 특히 드문 경우나 비정상적인 상황에서, 다양한 경로 길이와 이동 시간에 대해 모델의 성능은 어떠한가?

주요 결과

• 모든 기능(ST+Traf+DS)을 사용할 경우 DeepTravel는 상하이 데이터셋에서 MAPE 13.30%를 기록하며, 기준 모델들을 크게 앞서간다.
• 이중 간격 손실을 적용한 BiLSTM (dual_aux)는 상하이 데이터셋에서 보조 지도 없이 훈련된 기준 LSTM 대비 MAPE를 12.7% 감소시켰다.
• 보조 지도를 적용한 모델는 그렇지 않은 모델보다 더 빠르게 수렴하고 일반화 능력이 뛰어나, 시간 데이터 증강의 효과를 확인한다.
• 짧은 경로이지만 장시간 이동(예: 4km, 35분)인 경우 성능 저하가 발생하는 것은 갑작스러운 혼잡이나 정지 상태와 같은 드문 비정상 조건이 훈련 데이터에 부족하기 때문이며, 이는 학습 데이터에 반영되지 않은 특수한 상황이다.
• 대부분의 경로 길이와 이동 시간에 대해 일관된 성능(MAPE ~0.13)을 유지하며, 극단적인 경우에만 약간의 성능 저하가 발생한다.
• 이중 간격 손실은 정방향 또는 역방향 단독 보조 지도보다 우월하며, 양 방향에서 비중복적이고 상호 보완적인 신호를 제공함을 입증한다.