[论文解读] Deep Learning to Scale up Time Series Traffic Prediction

Julien Monteil, Anton Dekusar+3 more|arXiv (Cornell University)|Jan 1, 2019

Traffic Prediction and Management Techniques被引用 2

一句话总结

本文提出了一种深度学习时空模型，利用洛杉矶1,098个路段上14周15分钟间隔的车速数据，将短期交通预测方法扩展至长期、城市规模的预测。结果表明，引入时空特征可显著提升长期预测的准确性，而简单模型在短期、路段级预测中依然有效，揭示了准确性、预测时域、训练时间与模型规模之间的权衡。

ABSTRACT

The transport literature is dense regarding short-term traffic predictions, up to the scale of 1 hour, yet less dense for long-term traffic predictions. The transport literature is also sparse when it comes to city-scale traffic predictions, mainly because of low data availability. The main question we try to answer in this work is to which extent the approaches used for short-term prediction at a link level can be scaled up for long-term prediction at a city scale. We investigate a city-scale traffic dataset with 14 weeks of speed observations collected every 15 minutes over 1098 segments in the hypercenter of Los Angeles, California. We look at a variety of state-of-the-art machine learning and deep learning predictors for link-based predictions, and investigate ways to make such predictors scale up for larger areas, with brute force, clustering, and model design approaches. In particular we propose a novel deep learning spatio-temporal predictor inspired from recent works on recommender systems. We discuss the potential of including spatio-temporal features into the predictors, and conclude that modelling such features can be helpful for long-term predictions, while simpler predictors achieve very satisfactory performance for link-based and short-term forecasting. The trade-off is discussed not only in terms of prediction accuracy vs prediction horizon but also in terms of training time and model sizing.

研究动机与目标

• 探究短期、路段级交通预测方法在长期、城市规模预测中的可扩展性。
• 评估最先进机器学习与深度学习模型在大规模城市交通数据集上的性能表现。
• 探索三种扩展策略：暴力应用、聚类与模型设计，以实现城市规模的部署。
• 评估时空特征工程对长期预测准确性的影响。
• 分析预测准确性、预测时域、训练时间与模型复杂度之间的权衡。

提出的方法

• 本研究使用一个城市规模的交通数据集，包含洛杉矶市中心1,098个路段在14周内每15分钟一次的车速观测数据。
• 评估了多种最先进的机器学习与深度学习预测器在路段级预测中的表现。
• 提出了一种新颖的深度学习时空预测器，其灵感来源于推荐系统中对时空依赖关系建模的最新进展。
• 该方法显式引入时空特征，以捕捉交通动态中的长期模式。
• 应用了三种扩展策略：对全城范围的暴力应用、基于聚类的网络分区，以及架构改进以提升可扩展性。
• 在不同预测时域上评估模型性能，指标包括准确性、训练时间与模型大小。

实验结果

研究问题

• RQ1 短期、路段级交通预测模型在多大程度上可扩展至长期、城市规模的预测？
• RQ2 时空特征在提升长期交通预测准确性方面有多有效？
• RQ3 在暴力应用、聚类与模型设计三种扩展策略中，哪一种在准确性与效率之间提供了最佳平衡？
• RQ4 在不同预测时域下，简单模型与深度学习模型的性能表现如何比较？
• RQ5 在大规模交通预测中，预测准确性、训练时间与模型大小之间存在何种权衡？

主要发现

• 引入时空特征可显著提升长期预测的准确性，表明其在捕捉长时间尺度下复杂交通动态方面具有重要意义。
• 简单模型在短期、路段级预测中表现非常令人满意，表明其可能已足够胜任此类任务。
• 所提出的深度学习时空模型在长期预测中优于基线模型，尤其在引入时空特征时表现更优。
• 将模型直接暴力应用于全城规模在计算上不可行，凸显了高效扩展策略的必要性。
• 预测准确性与计算成本之间存在权衡，深层模型虽能提供更高准确性，但需更长的训练时间与更大的模型规模。
• 基于聚类的方法与架构改进为暴力扩展提供了可行替代方案，在性能与效率之间实现了良好平衡。