[论文解读] A Deep Learning Approach for Network-wide Dynamic Traffic Prediction during Hurricane Evacuation

Md. Rezaur Rahman, Samiul Hasan|arXiv (Cornell University)|Feb 25, 2022

Traffic Prediction and Management Techniques被引用 4

一句话总结

本论文提出了一种增强型迁移学习的DGCN-LSTM模型，用于在飓风疏散期间进行全网动态交通预测，利用非疏散期的数据，并引入疏散特异性特征（如到疏散区的距离、距登陆时间等）。该模型将预测误差从基线的1440.99（RMSE）降低至399.69，实现了可靠的6小时预测，支持主动交通管理。

ABSTRACT

Proactive evacuation traffic management largely depends on real-time monitoring and prediction of traffic flow at a high spatiotemporal resolution. However, evacuation traffic prediction is challenging due to the uncertainties caused by sudden changes in projected hurricane paths and consequently household evacuation behavior. Moreover, modeling spatiotemporal traffic flow patterns requires extensive data over a longer time period, whereas evacuations typically last for 2 to 5 days. In this paper, we present a novel data-driven approach for predicting evacuation traffic at a network scale. We develop a dynamic graph convolution LSTM (DGCN-LSTM) model to learn the network dynamics of hurricane evacuation. We first train the model for non-evacuation period traffic data showing that the model outperforms existing deep learning models for predicting non-evacuation period traffic with an RMSE value of 226.84. However, when we apply the model for evacuation period, the RMSE value increased to 1440.99. We overcome this issue by adopting a transfer learning approach with additional features related to evacuation traffic demand such as distance from the evacuation zone, time to landfall, and other zonal level features to control the transfer of information (network dynamics) from non-evacuation periods to evacuation periods. The final transfer learned DGCN-LSTM model performs well to predict evacuation traffic flow (RMSE=399.69). The implemented model can be applied to predict evacuation traffic over a longer forecasting horizon (6 hour). It will assist transportation agencies to activate appropriate traffic management strategies to reduce delays for evacuating traffic.

研究动机与目标

• 为应对飓风疏散期间短时、高不确定性的全网交通流预测挑战。
• 克服交通预测中非疏散期与疏散期之间数据稀缺及分布偏移的问题。
• 通过将非疏散期数据中学到的网络动态知识迁移至疏散场景，提升预测精度。
• 通过引入疏散特异性上下文特征（如距登陆时间、到疏散区距离等）稳定迁移学习过程。
• 实现在疏散期间的长时程（6小时）动态交通预测，以支持有效交通管理。

提出的方法

• 使用动态图卷积网络（DGCN）对交通网络中路段之间的空间依赖关系进行建模。
• 在DGCN之上堆叠长短期记忆（LSTM）单元，以捕捉交通流的时间依赖性。
• 首先在非疏散期交通数据上对DGCN-LSTM模型进行预训练，以学习基础网络动态。
• 通过在疏散数据上微调预训练模型并加入新特征（如到疏散区的距离、距登陆时间、区域级属性）来应用迁移学习。
• 采用均方误差（MSE）损失函数进行端到端训练，以最小化预测误差。
• 最终模型实现全网尺度的交通流预测，预测时延为6小时。

实验结果

研究问题

• RQ1 在存在显著分布偏移的情况下，仅在非疏散期交通数据上训练的深度学习模型能否泛化至疏散场景？
• RQ2 在疏散期间，引入疏散特异性上下文特征在多大程度上提升了预测精度？
• RQ3 从非疏散期向疏散期迁移知识时，迁移学习在多大程度上降低了预测误差？
• RQ4 在高不确定性的疏散事件中，该模型能否在6小时预测时延内保持可靠的性能？
• RQ5 通过DGCN-LSTM实现的时空建模在多大程度上提升了全网交通预测的准确性？

主要发现

• 仅在非疏散期数据上训练的基线DGCN-LSTM模型实现了226.84的RMSE，表明其在稳定交通模式下表现优异。
• 在未进行适应的情况下直接应用于疏散数据时，模型的RMSE显著上升至1440.99，表明由于分布偏移导致泛化能力差。
• 采用疏散特异性特征的迁移学习方法将RMSE降低至399.69，显著提升了预测精度。
• 最终模型成功实现了长达6小时的交通流预测，支持主动交通管理。
• 时间至登陆和到疏散区距离等特征的引入，对稳定网络动态的迁移起到了关键作用。
• 该模型在非疏散和疏散条件下均优于标准深度学习基线模型，尤其在高不确定性场景下表现更优。