[论文解读] A Deep Generative Adversarial Architecture for Network-Wide Spatial-Temporal Traffic State Estimation

Yunyi Liang, Zhiyong Cui+3 more|arXiv (Cornell University)|Jan 5, 2018

Traffic Prediction and Management Techniques参考文献 13被引用 3

一句话总结

本文提出了一种深度生成对抗架构（GAA），结合交通流理论与两个长短期记忆网络（LSTM），以在存在缺失数据的情况下估计全网时空交通状态。生成网络学习生成逼真的交通矩阵，判别网络则对这些矩阵进行验证，从而实现对缺失流量和密度值的高精度填补，其在西雅图和圣迭戈的真实数据集上优于贝叶斯网络。

ABSTRACT

This study proposes a deep generative adversarial architecture (GAA) for network-wide spatial-temporal traffic state estimation. The GAA is able to combine traffic flow theory with neural networks and thus improve the accuracy of traffic state estimation. It consists of two Long Short-Term Memory Neural Networks (LSTM NNs) which capture correlation in time and space among traffic flow and traffic density. One of the LSTM NNs, called a discriminative network, aims to maximize the probability of assigning correct labels to both true traffic state matrices (i.e., traffic flow and traffic density within a given spatial-temporal area) and the traffic state matrices generated from the other neural network. The other LSTM NN, called a generative network, aims to generate traffic state matrices which maximize the probability that the discriminative network assigns true labels to them. The two LSTM NNs are trained simultaneously such that the trained generative network can generate traffic matrices similar to those in the training data set. Given a traffic state matrix with missing values, we use back-propagation on three defined loss functions to map the corrupted matrix to a latent space. The mapping vector is then passed through the pre-trained generative network to estimate the missing values of the corrupted matrix. The proposed GAA is compared with the existing Bayesian network approach on loop detector data collected from Seattle, Washington and that collected from San Diego, California. Experimental results indicate that the GAA can achieve higher accuracy in traffic state estimation than the Bayesian network approach.

研究动机与目标

• 解决传感器数据中存在缺失值时，全网交通状态准确估计的挑战。
• 将交通流理论与深度学习相结合，以改进交通动态的时空建模。
• 开发一种生成对抗框架，从不完整观测中学习逼真的交通状态模式。
• 在真实城市交通网络中，提升估计精度，超越传统贝叶斯网络方法。

提出的方法

• GAA采用两个LSTM神经网络：一个生成网络用于合成交通状态矩阵，一个判别网络用于区分真实与生成的矩阵。
• 两个网络通过对抗训练方式共同优化，以提升生成交通状态的逼真度与准确性。
• 采用三损失反向传播框架，将含有缺失值的污染交通矩阵映射到潜在空间以实现重建。
• 随后将潜在向量通过预训练的生成网络，以估计缺失的流量与密度值。
• 在深度学习架构中融入物理交通流原理，以提升模型的泛化能力与合理性。
• 基于西雅图和圣迭戈的环形检测器数据进行训练，以捕捉真实世界的时空模式。

实验结果

研究问题

• RQ1 深度生成对抗架构能否有效估计网络中缺失的时空交通状态？
• RQ2 将交通流理论与深度学习相结合，如何提升估计精度？
• RQ3 在真实世界数据中，GAA在交通状态估计方面相较于贝叶斯网络的性能提升程度如何？
• RQ4 通过两个LSTM的对抗训练，能否生成反映真实世界动态的逼真交通矩阵？

主要发现

• 在西雅图和圣迭戈的环形检测器数据集上，GAA的估计精度均高于贝叶斯网络方法。
• 该模型有效捕捉了多个传感器之间交通流与密度的复杂时空相关性。
• 对抗训练框架成功提升了生成交通矩阵的逼真度与保真度。
• 三损失反向传播方法实现了对不完整交通矩阵到有意义潜在空间的有效映射，从而实现高精度填补。