[論文レビュー] Travel Speed Prediction with a Hierarchical Convolutional Neural Network and Long Short-Term Memory Model Framework

Wei Wang, Xucheng Li|arXiv (Cornell University)|Sep 6, 2018

Traffic Prediction and Management Techniques参考文献 15被引用数 6

ひとこと要約

この論文では、畳み込みニューラルネットワーク（CNN）と長短期記憶（LSTM）ネットワークを組み合わせた階層的D-CLSTM-t深層学習モデルを提案し、高い精度で短時間の走行速度を予測する。このフレームワークは、空間的・時間的交通パターンと季節的変動を捉え、15～90分先の速度予測において、CNN、LSTM、LGBM、および従来のモデルを凌駃する性能を示す。

ABSTRACT

Advanced travel information and warning, if provided accurately, can help road users avoid traffic congestion through dynamic route planning and behavior change. It also enables traffic control centres mitigate the impact of congestion by activating Intelligent Transport System (ITS) proactively. Deep learning has become increasingly popular in recent years, following a surge of innovative GPU technology, high-resolution, big datasets and thriving machine learning algorithms. However, there are few examples exploiting this emerging technology to develop applications for traffic prediction. This is largely due to the difficulty in capturing random, seasonal, non-linear, and spatio-temporal correlated nature of traffic data. In this paper, we propose a data-driven modelling approach with a novel hierarchical D-CLSTM-t deep learning model for short-term traffic speed prediction, a framework combined with convolutional neural network (CNN) and long short-term memory (LSTM) models. A deep CNN model is employed to learn the spatio-temporal traffic patterns of the input graphs, which are then fed into a deep LSTM model for sequence learning. To capture traffic seasonal variations, time of the day and day of the week indicators are fused with trained features. The model is trained end-to-end to predict travel speed in 15 to 90 minutes in the future. We compare the model performance against other baseline models including CNN, LGBM, LSTM, and traditional speed-flow curves. Experiment results show that the D-CLSTM-t outperforms other models considerably. Model tests show that speed upstream also responds sensibly to a sudden accident occurring downstream. Our D-CLSTM-t model framework is also highly scalable for future extension such as for network-wide traffic prediction, which can also be improved by including additional features such as weather, long term seasonality and accident information.

研究の動機と目的

• 都市部の交通ネットワークにおける高い空間的・時間的および非線形的複雑性を有する短時間走行速度予測の課題に対処すること。
• ビッグトラフィックデータセットからの複雑で動的な交通パターンをモデル化できるデータ駆動型の深層学習フレームワークを開発すること。
• 時間帯と曜日という時間的指標を統合し、交通速度における季節的および日周期的変動を捉えること。
• 将来のネットワーク全体の交通予測応用に向けたスケーラブルでエンドツーエンドの訓練を可能にすること。
• 正確な速度予測を通じて交通管理を向上させ、プロアクティブなITS対応を支援すること。

提案手法

• 入力交通データをグラフとして表現し、その空間的・時間的特徴を抽出するために深層畳み込みニューラルネットワーク（CNN）を採用する。
• 訓練済みのCNN特徴を、時間的スピードトレンドの順序モデリングに用いる深層LSTMネットワークに供給する。
• 時間帯と曜日のインジケータをCNN-LSTM特徴と統合し、周期的および季節的交通行動をモデル化する。
• 15～90分先の将来の走行速度を直接予測できるように、D-CLSTM-tフレームワークをエンドツーエンドで訓練する。
• CNNが局所的な空間的・時間的パターンを捉え、LSTMが長距離の時間的依存性をモデル化する階層的アーキテクチャを採用する。
• 高解像度のビッグトラフィックデータセットとGPU加速訓練を活用し、モデル性能を最適化する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドCNN-LSTMモデルは、都市部の交通速度データの空間的・時間的ダイナミクスを効果的に捉えることができるか？
• RQ2 時間帯と曜日の特徴を統合することで、走行速度予測の精度はどの程度向上するか？
• RQ3 D-CLSTM-tモデルは、単独のCNN、LSTM、LGBM、および従来の速度-流量モデルに対して、短時間速度予測でどの程度優れているか？
• RQ4 急激な交通イベント（例：下流での事故）に対して、モデルはどの程度迅速に反応するか？
• RQ5 最小限のアーキテクチャ変更で、大規模なネットワーク全体の交通予測にこのフレームワークを拡張可能か？

主な発見

• D-CLSTM-tモデルは、15～90分先の走行速度予測において、CNN、LSTM、LGBM、および従来の速度-流量曲線といったベースラインモデルを著しく上回る性能を示した。
• モデルは下流の交通事態に対して強く感受性を示し、上流での速度変化が正確に予測に反映された。
• 時間帯と曜日のインジケータを組み込むことで、モデルの一般化性能が向上し、周期的交通パターンを効果的に捉えた。
• エンドツーエンドの訓練戦略により、多様な交通状況において強固な特徴学習が可能となり、予測精度が向上した。
• フレームワークは非常にスケーラブルで、天候や事故データなどの追加特徴の統合を想定したネットワーク全体の交通予測に適応可能である。
• テストデータセットにおいて、モデルは最先端の性能を達成し、リアルタイム交通速度予測応用への有効性を確認した。