[論文レビュー] Short-Term Traffic Flow Prediction Using Variational LSTM Networks

Mehrdad Farahani, Marzieh Davoodabadi Farahani+2 more|arXiv (Cornell University)|Feb 18, 2020

Traffic Prediction and Management Techniques参考文献 34被引用数 5

ひとこと要約

本稿では、確率的符号化を用いてデータ分布をモデル化し、欠損センサーデータに対処することを目的とした、短時間交通フロー予測のための変分LSTMエンコーダー（VLSTM-E）を提案する。PeMSデータセット上での実験では、LSTM、SAEs、MCNNMを上回る性能を示し、平均MSEが0.0016、MAPEが9.23%を達成した。これは、変動が激しい交通状況下でも、より高いロバスト性と精度を示していることを示している。

ABSTRACT

Traffic flow characteristics are one of the most critical decision-making and traffic policing factors in a region. Awareness of the predicted status of the traffic flow has prime importance in traffic management and traffic information divisions. The purpose of this research is to suggest a forecasting model for traffic flow by using deep learning techniques based on historical data in the Intelligent Transportation Systems area. The historical data collected from the Caltrans Performance Measurement Systems (PeMS) for six months in 2019. The proposed prediction model is a Variational Long Short-Term Memory Encoder in brief VLSTM-E try to estimate the flow accurately in contrast to other conventional methods. VLSTM-E can provide more reliable short-term traffic flow by considering the distribution and missing values.

研究の動機と目的

• 歴史的交通データを用いて、短時間交通フロー予測の精度を向上させる深層学習モデルの開発を目的とする。
• 交通センサーの測定値に見られる欠損データとデータ分布の変動性に起因する課題に対処することを目的とする。
• 確率的符号化を用いることで、変動が激しい交通状況下でもモデルのロバスト性を向上させることを目的とする。
• LSTM、SAEs、MCNNMといった既存の最先端モデルを上回る予測性能を達成することを目的とする。
• 2019年6か月間のカリフォルニア州交通局（Caltrans）PeMSシステムの実世界データを用いて、モデルの妥当性を検証することを目的とする。

提案手法

• 提案モデルは、交通フロー時系列の確率的潜在表現を学習するため、変分LSTMエンコーダー（VLSTM-E）を用いる。
• モデルは入力時系列を潜在変数上の分布に符号化することで、不確実性を考慮した予測を可能にする。
• 変分推論を組み込むことで、元のデータ分布をモデル化し、欠損データ下でも一般化性能を向上させる。
• 再構成損失とKLダイバージェンスを用いて、エンドツーエンドで学習を行い、再構成精度と潜在空間の正則性のバランスを取る。
• 複数のセンサーからの多次元時系列を処理することで、交通フローの空間的・時系列的相関を捉える。
• 評価には、PeMSのステーション716076および717060のテストデータに対して、標準的な指標（MAPE、MAE、MSE、RMSE）を用いる。

実験結果

リサーチクエスチョン

• RQ1 従来の深層学習モデルと比較して、変分LSTMエンコーダーは短時間交通フロー予測の精度を向上させることができるか？
• RQ2 データ分布のモデル化は、欠損またはノイズの多いセンサー測定値が存在する状況で、どのようにモデルのロバスト性を向上させるか？
• RQ3 VLSTM-Eモデルは、交通フローの変動性を予測する上で、LSTM、SAEs、MCNNMをどの程度上回るか？
• RQ4 確率的符号化機構は、未知の交通パターンへの一般化性能を向上させるか？
• RQ5 高頻度の交通変動やデータ量が少ない状況下でも、モデルは高い精度を維持できるか？

主な発見

• VLSTM-Eモデルは平均MSEが0.0016に達し、LSTM（0.0023）、SAEs（0.0030）、MCNNM（0.0106）を大きく下回った。
• モデルは平均MAPEが9.23%を記録し、LSTM（10.54%）、SAEs（14.22%）、MCNNM（27.58%）を上回った。
• ステーション716076では、VLSTM-EがMAPE 9.5954%、MSE 0.0018を達成し、LSTM（10.27% MAPE、0.0024 MSE）を上回った。
• ステーション717060では、VLSTM-EがMAPE 8.8625%、MSE 0.0015を記録し、LSTM（10.82% MAPE、0.0022 MSE）を上回った。
• 可視化比較では、VLSTM-Eが真値に非常に近い推定を示しており、特に変動が激しくかつ交通量が少ない時期においても、LSTMやMCNNMを上回った。
• モデルは、分布に敏感な学習メカニズムのおかげで、欠損データに対する耐性が高く、学習および推論への悪影響を軽減した。