[論文レビュー] Traffic Flow Forecasting Using a Spatio-Temporal Bayesian Network Predictor

Shiliang Sun, Changshui Zhang+1 more|arXiv (Cornell University)|Dec 24, 2017

Advanced Clustering Algorithms Research参考文献 3被引用数 7

ひとこと要約

本稿では、交通ネットワーク全体にわたる空間的・時間的交通フロー情報を統合することで、短期予測を向上させる、空間時間的ベイジアンネットワーク予測モデルを提案する。変数の順位付けにピアソン積率相関を用い、因果関係を有する入力ノードを特定するためのベストファースト選択法を適用し、最小二乗平均誤差基準（MMSE）に基づくガウス・ミクスチャ・モデル（GMM）を適用することで、ランダムウォークやマルコフ連鎖といったベースラインモデルに比べ、顕著な精度向上を達成した。

ABSTRACT

A novel predictor for traffic flow forecasting, namely spatio-temporal Bayesian network predictor, is proposed. Unlike existing methods, our approach incorporates all the spatial and temporal information available in a transportation network to carry our traffic flow forecasting of the current site. The Pearson correlation coefficient is adopted to rank the input variables (traffic flows) for prediction, and the best-first strategy is employed to select a subset as the cause nodes of a Bayesian network. Given the derived cause nodes and the corresponding effect node in the spatio-temporal Bayesian network, a Gaussian Mixture Model is applied to describe the statistical relationship between the input and output. Finally, traffic flow forecasting is performed under the criterion of Minimum Mean Square Error (M.M.S.E.). Experimental results with the urban vehicular flow data of Beijing demonstrate the effectiveness of our presented spatio-temporal Bayesian network predictor.

研究の動機と目的

• 既存の交通フロー予測手法が交通ネットワークからの空間的情報を十分に活用していないという限界を是正すること。
• ショッピングモールや住宅地といった共通の都市的要因によって影響を受ける遠く離れた道路リンク間の相互依存関係を捉える因果モデリング手法を開発すること。
• 空間的および時間的情報を体系的に統合し、より正確な短期交通フロー予測を実現すること。
• 北京の実際の交通データを用いて、提案手法の有効性を評価し、従来のベースライン手法を上回ることを示すこと。

提案手法

• 標的地点のターゲットフローとの線形関係に基づき、全潜在的入力フローをピアソン積率相関係数で順位付けする。
• 冗長性と計算コストを最小限に抑えるために、ベストファースト探索戦略を用い、上位順に選択されたフローをベイジアンネットワーク内の原因ノードとして選定する。
• 原因ノードとターゲット（効果）ノード間の同時確率分布を推定するために、競争的EM（CEM）アルゴリズムを用いたガウス・ミクスチャ・モデル（GMM）を採用する。
• 最小二乗平均誤差（MMSE）基準に基づき最適な予測を導出し、予測のための解析的解を得る。
• 時間遅れ（最大100ステップ前）の複数のリンクからのフローを統合し、時間的ダイナミクスをモデル化する。
• 空間的に分散したかつ時間遅れのある交通フローを入力とし、特定のターゲットリンクのフローを予測する因果関係を有するベイジアンネットワークを構築する。

実験結果

リサーチクエスチョン

• RQ1 交通ネットワーク内の遠く離れた道路リンク間の空間的相関を、短期交通フロー予測の向上に効果的に活用できるか？
• RQ2 時間的パターンに依存する手法と比較して、空間的および時間的情報を統合した1つの予測モデルが果たす効果は何か？
• RQ3 相関に基づく順位付けとベストファースト探索による変数選択が、予測精度に与える影響は何か？
• RQ4 空間時間的ベイジアンフレームワークにおいて、MMSE推定を用いたガウス・ミクスチャ・モデルが予測性能をどの程度向上させるか？
• RQ5 提案手法は、ランダムウォークやマルコフ連鎖といった確立されたベースライン手法に比べ、実都市交通データ上でどの程度の性能を示すか？

主な発見

• 空間時間的ベイジアンネットワーク予測モデルは、5つのテスト道路リンクにおいて、ランダムウォークやマルコフ連鎖のベースラインに比べ、予測誤差を顕著に低減した。
• 道路リンクGdでは、RMSEがランダムウォークの177.57から本手法の141.37に低下し、20.3%の改善が達成された。
• 5つのテストリンクのうち4つで最も低いRMSEを達成し、特にリンクDdでは66.15（マルコフ連鎖）に対して57.46を記録し、最高の性能を示した。
• ターゲットフローと選択された原因ノードとの間に高い相関係数（例：Fe(t)とFe(t-1)の間で0.983）が確認され、順位付けと選択プロセスの有効性が裏付けられた。
• 隣接していないリンク（例：Bc(t-1)がCh(t)に与える影響）からの空間的情報統合が、強い予測的関連性を示し、実効性を示した。
• 結果から、都市交通フローは共通の隠れた要因（勤務時間、活動パターンなど）に影響を受けており、これらの影響は因果的ベイジアンモデリングによって捉えることができるということが確認された。