[論文レビュー] Traffic map prediction using UNet based deep convolutional neural network

Sungbin Choi|arXiv (Cornell University)|Nov 25, 2019

Traffic Prediction and Management Techniques参考文献 7被引用数 6

ひとこと要約

本論文では、3つの異なる都市から得られた実世界のデータを用いて、Traffic4cast 2019 チャレンジで最先端の性能を達成する、各ブロックに密接接続を備えたUNetベースの深層畳み込みニューラルネットワークを提案する。このモデルは、高解像度の都市地図上の交通フロー量、進行方向、速度を短時間予測する。

ABSTRACT

This paper describes our UNet based deep convolutional neural network approach on the Traffic4cast challenge 2019. Challenges task is to predict future traffic flow volume, heading and speed on high resolution whole city map. We used UNet based deep convolutional neural network to train predictive model for the short term traffic forecast. On each convolution block, layers are densely connected with subsequent layers like a DenseNet. Trained and evaluated on the real world data set collected from three distinct cities in the world, our method achieved best performance in this challenge.

研究の動機と目的

• 高解像度の都市地図上で正確な短期交通フロー予測を実現する深層学習モデルの開発を目的とする。
• 実世界のデータを用いて、複雑な都市環境における交通フロー量、進行方向、速度の予測という課題に取り組む。
• UNetアーキテクチャに密接接続を組み込むことで、既存手法を上回る予測性能を向上させることを目的とする。
• 3つの異なる都市から得た実世界のデータセットを用いてモデルの妥当性を検証することを目的とする。
• Traffic4cast 2019 機械学習チャレンジで最高のパフォーマンスを達成することを目的とする。

提案手法

• 空間的依存関係を交通地図から捉えるために、UNetベースのエンコーダ・デコーダアーキテクチャを用いる。
• 各畳み込みブロックに、DenseNetと同様に層間の密接接続を組み込むことで、特徴量の再利用と勾配の流れを向上させる。
• 過去の交通データをエンドツーエンドで学習させ、短い時間スパンにおける将来の交通状態を予測する。
• 入力特徴量には、都市全体の交通フロー量、方向（進行方向）、速度が含まれる。
• スキップ接続と密接接続の統合により、空間的・時系列的パターンの有効な学習が可能になる。
• 3つの都市の実世界交通データセットを用いて、標準的な深層学習の訓練手順でモデルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 UNetベースの深層学習モデルに密接接続を組み込むことで、高解像度の都市地図上での短期交通予測精度が向上するか？
• RQ2 UNetブロック内に密接接続を統合することにより、交通予測タスクにおける性能にどのような影響を与えるか？
• RQ3 本モデルは、交通動態が異なる多様な都市環境に普遍的に適応できるか？
• RQ4 本アーキテクチャを用いて、Traffic4cast 2019ベンチマークでどの程度の予測パフォーマンスが達成できるか？
• RQ5 本モデルは、Traffic4castチャレンジにおける他の最先端手法と比較してどのように差をつけるか？

主な発見

• 提案手法は、Traffic4cast 2019 チャレンジにおいて、提出されたすべてのエントリの中で最高のパフォーマンスを達成した。
• 各UNetブロック内に密接接続を統合することで、特徴量の学習が促進され、予測精度が向上した。
• 交通パターンが異なる3つの都市において、強力な汎化能力を示した。
• アーキテクチャは、高解像度の交通地図における複雑な空間的・時系列的依存関係を効果的に捉えた。
• 交通フロー量、進行方向、速度を同時に予測するタスクで、ベースライン手法を上回った。
• UNetのスキップ接続とDenseNet風の密接接続ブロックを組み合わせることの有効性が、結果から確認された。