[論文レビュー] Short-term traffic flow forecasting with spatial-temporal correlation in a hybrid deep learning framework

Yuankai Wu, Huachun Tan|arXiv (Cornell University)|Dec 3, 2016

Traffic Prediction and Management Techniques参考文献 6被引用数 251

ひとこと要約

本論文は、空間特徴、短期的な時間的ダイナミクス、および日次/週次の周期性を融合して短期交通量を予測する CNN-LSTM ハイブリッドモデル CLTFP を提案し、PeMS データにおいて複数のベースラインと比較して精度が高いことを示しています。

ABSTRACT

Deep learning approaches have reached a celebrity status in artificial intelligence field, its success have mostly relied on Convolutional Networks (CNN) and Recurrent Networks. By exploiting fundamental spatial properties of images and videos, the CNN always achieves dominant performance on visual tasks. And the Recurrent Networks (RNN) especially long short-term memory methods (LSTM) can successfully characterize the temporal correlation, thus exhibits superior capability for time series tasks. Traffic flow data have plentiful characteristics on both time and space domain. However, applications of CNN and LSTM approaches on traffic flow are limited. In this paper, we propose a novel deep architecture combined CNN and LSTM to forecast future traffic flow (CLTFP). An 1-dimension CNN is exploited to capture spatial features of traffic flow, and two LSTMs are utilized to mine the short-term variability and periodicities of traffic flow. Given those meaningful features, the feature-level fusion is performed to achieve short-term forecasting. The proposed CLTFP is compared with other popular forecasting methods on an open datasets. Experimental results indicate that the CLTFP has considerable advantages in traffic flow forecasting. in additional, the proposed CLTFP is analyzed from the view of Granger Causality, and several interesting properties of CLTFP are discovered and discussed .

研究の動機と目的

• ITS アプリケーション向けの正確な短期交通量予測を動機づける（ダイナミック制御、ルーティング、位置情報サービス）。
• 交通データの空間的局所性、短期的な変動、および周期的パターンを活用する。
• CNN を空間特徴に、LSTM を時間的特徴と周期性に組み合わせた深層学習アーキテクチャを開発する。
• フィーチャーレベルの融合とスパース正則化を用いたエンドツーエンド学習を実現し、一般化を向上させる。

提案手法

• 1D CNN を用いて、時間チャネルにわたる p-地点の交通データ行列 S から空間特徴を抽出する。
• 2つの LSTM を用いて短期的な時間的特徴と長期的な周期性（日次・週次）を捉える。
• 空間特徴と時間特徴を連結と回帰層（L1 正則化付き）で融合し、今後の交通量を予測する。
• Adamax 最適化器を用いたエンドツーエンド学習と、検証デセットに基づく早期停止を行う。
• PeMS の高速道路区間データに対して LSTM、SAE、浅い NN、GBRT と比較して評価する。
• Granger因果推定に触発した LASSO 実験を通じて特徴量の寄与を分析する。

実験結果

リサーチクエスチョン

• RQ1 CNN-LSTM フレームワークは、交通量の空間的・短期的時間的・周期的パターンを効果的に捉え、短期予測を改善できるか？
• RQ2 空間的・短期的時間的・周期的特徴は予測性能にどのように寄与し、相対的な重要度はどれくらいか？

主な発見

• CLTFP は PeMS データセットで LSTM、SAE、NN、GBRT より MAE、MAPE、および ACE が優れている。
• 空間特徴が予測力を支配しており、S+T+P が最良の性能を示す。
• 融合アプローチですべての特徴タイプ（S、T、P）を含めると、点予測と空間分布の精度の両方が向上する。
• モデルの特徴量レベルのスパース性は冗長性を減らし、一般化を改善するのに役立つ。
• Granger因果推定の観点からの逐次予測性分析は、S・T・P を組み合わせると単一の特徴セットよりも豊かな予測情報を提供することを示す。