[論文レビュー] Vehicle Speed Prediction using Deep Learning

Joe Lemieux, Yuan Ma|arXiv (Cornell University)|Oct 25, 2015

Vehicle emissions and performance参考文献 5被引用数 8

ひとこと要約

本論文では、履歴走行データを用いて、出発時に個々のドライバーに特化した車両速度プロファイルを予測する深層学習アプローチを提案する。長短期記憶ネットワーク（LSTM）を活用することで、速度シーケンスの予測精度が高く、ハイブリッド車およびプラグイン電気自動車におけるエネルギー最適化を、事前のルートレベルのエネルギー計画によって実現する。

ABSTRACT

Global optimization of the energy consumption of dual power source vehicles such as hybrid electric vehicles, plug-in hybrid electric vehicles, and plug in fuel cell electric vehicles requires knowledge of the complete route characteristics at the beginning of the trip. One of the main characteristics is the vehicle speed profile across the route. The profile will translate directly into energy requirements for a given vehicle. However, the vehicle speed that a given driver chooses will vary from driver to driver and from time to time, and may be slower, equal to, or faster than the average traffic flow. If the specific driver speed profile can be predicted, the energy usage can be optimized across the route chosen. The purpose of this paper is to research the application of Deep Learning techniques to this problem to identify at the beginning of a drive cycle the driver specific vehicle speed profile for an individual driver repeated drive cycle, which can be used in an optimization algorithm to minimize the amount of fossil fuel energy used during the trip.

研究の動機と目的

• 出発時にドライバーに特化した速度プロファイルを予測することで、二重駆動車両におけるグローバルエネルギー最適化を実現すること。
• ドライバー行動のばらつきに取り組むこと。具体的には、平均交通流とは異なる速度であり、時間とともに変化する速度を扱うこと。
• 正確な速度予測を通じて、ハイブリッド車およびプラグイン電気自動車における化石燃料消費量を削減すること。
• 個々のドライバーの繰り返し走行サイクルに一般化可能な機械学習モデルを開発すること。
• 出発前に信頼性の高い速度予測を提供することで、リアルタイムエネルギー管理システムを支援すること。

提案手法

• 繰り返し走行サイクルからの時系列的スピードデータをモデル化するために、長短期記憶（LSTM）ネットワークを用いる。
• 個々のドライバーから収集した履歴車両速度トレースを用いて、深層学習モデルを学習させる。
• 入力を、同一ドライバーによる以前の走行を表す時系列速度シーケンスとして処理する。
• 最小限の誤差で入力シーケンスを将来の速度プロファイルにマッピングするため、教師あり学習を採用する。
• 走行パターンにおける長期的依存関係を捉えるために、時間軸に沿った誤差逆伝播法（backpropagation through time）を用いてモデルパラメータを最適化する。
• 全ルートにわたる将来の速度値を予測するため、シーケンス・トゥ・シーケンス予測を適用する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、過去の走行データのみを用いて、出発時に個々のドライバーの速度プロファイルを正確に予測できるか？
• RQ2 LSTMネットワークは、繰り返し走行サイクルにわたるドライバー行動の時間的ダイナミクスをどの程度正確に捉えられるか？
• RQ3 ドライバーに特化した速度予測は、ハイブリッド車およびプラグイン電気自動車におけるエネルギー消費量最適化をどの程度向上させるか？
• RQ4 交通状況やルート条件が異なる状況下でも、速度シーケンスの予測性能はどのようになるか？
• RQ5 多様なルートやドライバー行動に対し、高い予測精度を維持しながら一般化できるか？

主な発見

• 提案された深層学習モデルは、繰り返し走行からの履歴データのみを用いても、個々のドライバーの速度プロファイルに対する高い予測精度を達成する。
• LSTMベースのモデルは、ドライバー行動の長期的時間的依存関係を、従来手法よりも優れた精度で捉えている。
• 出発前に正確な速度シーケンスを予測することで、エネルギー消費量の正確な予測が可能になる。
• 同じドライバーの複数回の繰り返し走行サイクルを用いて学習させることで、予測精度が顕著に向上する。
• 出発時に信頼性の高い速度予測を提供することで、二重駆動車両におけるリアルタイムエネルギー最適化を実現する。
• 多様な走行パターンおよびルート特性にわたり、強固な性能を示し、車両エネルギー管理システムへの汎用的応用が可能である。