[论文解读] Forecasting Transportation Network Speed Using Deep Capsule Networks with Nested LSTM Models

Xiaolei Ma, Yi Li+2 more|arXiv (Cornell University)|Nov 1, 2018

Traffic Prediction and Management Techniques参考文献 34被引用 21

一句话总结

该论文提出了一种新颖的深度学习框架，结合胶囊网络（CapsNet）与嵌套长短期记忆（NLSTM）网络，以预测复杂交通网络中的交通速度。通过CapsNet捕捉分层空间依赖关系，利用NLSTM建模多层级时间动态，该框架在包含278条路段的北京交通网络上实现了最先进性能，其准确性和鲁棒性优于现有基线模型。

ABSTRACT

Accurate and reliable traffic forecasting for complicated transportation networks is of vital importance to modern transportation management. The complicated spatial dependencies of roadway links and the dynamic temporal patterns of traffic states make it particularly challenging. To address these challenges, we propose a new capsule network (CapsNet) to extract the spatial features of traffic networks and utilize a nested LSTM (NLSTM) structure to capture the hierarchical temporal dependencies in traffic sequence data. A framework for network-level traffic forecasting is also proposed by sequentially connecting CapsNet and NLSTM. On the basis of literature review, our study is the first to adopt CapsNet and NLSTM in the field of traffic forecasting. An experiment on a Beijing transportation network with 278 links shows that the proposed framework with the capability of capturing complicated spatiotemporal traffic patterns outperforms multiple state-of-the-art traffic forecasting baseline models. The superiority and feasibility of CapsNet and NLSTM are also demonstrated, respectively, by visualizing and quantitatively evaluating the experimental results.

研究动机与目标

• 解决在大规模交通网络中建模复杂空间依赖关系与动态时间模式的挑战。
• 提升智能交通系统中网络级交通速度预测的准确性和可靠性。
• 探索胶囊网络与嵌套LSTM在交通预测中的可行性与有效性，这是该领域的一项新颖应用。
• 通过实证评估证明该框架在性能上优于现有最先进模型。

提出的方法

• 提出一种混合深度学习框架，通过顺序连接CapsNet与NLSTM实现时空交通预测。
• 利用CapsNet从交通网络中提取分层空间特征，通过动态路由保留空间关系。
• 采用嵌套LSTM（NLSTM）对交通序列中的多层级时间依赖关系进行建模，捕捉长程与短期模式。
• 构建一种序列化架构，其中CapsNet处理道路路段的空间特征，随后由NLSTM进行时间建模。
• 使用北京278条路段交通网络的真实交通速度数据，对端到端模型进行训练。
• 通过RMSE和MAE等定量指标验证模型性能，并与多个SOTA基线模型进行对比。

实验结果

研究问题

• RQ1 胶囊网络能否有效建模交通网络中复杂的空间依赖关系，以实现交通速度预测？
• RQ2 嵌套LSTM能否比标准RNN或LSTM更有效地捕捉交通速度序列中的分层时间动态？
• RQ3 CapsNet与NLSTM的融合是否能带来优于现有最先进模型的预测性能？
• RQ4 CapsNet中的类注意力路由机制与NLSTM中的分层记忆结构如何共同提升预测准确性？

主要发现

• 所提出的CapsNet-NLSTM框架在包含278条路段的北京交通网络上，显著优于多个最先进交通预测模型。
• 与传统卷积层相比，CapsNet在保留空间关系和减少信息损失方面表现出更优的空间特征提取能力。
• NLSTM有效捕捉了分层时间依赖关系，提升了对长期与短期交通模式的建模能力。
• 可视化结果表明，CapsNet学习到了有意义的空间注意力模式，而NLSTM在时间步之间维持了稳定的记忆流动。
• 定量结果表明，该框架的RMSE与MAE值低于基线模型，证实了其鲁棒性与准确性。
• 本研究首次将CapsNet与NLSTM应用于交通预测，验证了其在该领域的可行性与有效性。