[论文解读] Network-Scale Traffic Modeling and Forecasting with Graphical Lasso and Neural Networks

Shiliang Sun, Rongqing Huang+1 more|arXiv (Cornell University)|Dec 25, 2017

Gaussian Processes and Bayesian Inference参考文献 5被引用 3

一句话总结

本文提出了一种结合图模型选择（GL）进行稀疏依赖建模与神经网络（NN）的多链接交通流预测框架，在性能上优于单链接和多任务学习基线模型。GL-NN通过提取相邻链接的相关历史流量，实现了更高的预测精度，实验表明其在真实世界数据上持续优于MMTL及其他模型。

ABSTRACT

Traffic flow forecasting, especially the short-term case, is an important topic in intelligent transportation systems (ITS). This paper does a lot of research on network-scale modeling and forecasting of short-term traffic flows. Firstly, we propose the concepts of single-link and multi-link models of traffic flow forecasting. Secondly, we construct four prediction models by combining the two models with single-task learning and multi-task learning. The combination of the multi-link model and multi-task learning not only improves the experimental efficiency but also the prediction accuracy. Moreover, a new multi-link single-task approach that combines graphical lasso (GL) with neural network (NN) is proposed. GL provides a general methodology for solving problems involving lots of variables. Using L1 regularization, GL builds a sparse graphical model making use of the sparse inverse covariance matrix. In addition, Gaussian process regression (GPR) is a classic regression algorithm in Bayesian machine learning. Although there is wide research on GPR, there are few applications of GPR in traffic flow forecasting. In this paper, we apply GPR to traffic flow forecasting and show its potential. Through sufficient experiments, we compare all of the proposed approaches and make an overall assessment at last.

研究动机与目标

• 通过整合相邻链接的空间依赖性，解决单链接交通流预测的局限性。
• 通过整合多链接建模与机器学习技术，提升预测精度与效率。
• 探索高斯过程回归（GPR）在交通流预测中的应用，以实现不确定性感知的预测。
• 评估图模型选择（GL）在从大规模交通网络中提取相关变量方面的有效性。
• 在不同建模范式下，对比单任务与多任务学习框架的性能。

提出的方法

• 提出单链接与多链接预测模型，以区分链接特异性和网络级依赖关系。
• 将图模型选择（GL）与神经网络（GL-NN）结合，利用L1正则化逆协方差矩阵构建稀疏图模型，实现特征选择。
• 应用多任务学习（MTL）联合训练多个链接的预测结果，提升泛化能力与效率。
• 在GL-NN与MMTL框架中，以反向传播（BP）神经网络作为核心回归模型。
• 将高斯过程回归（GPR）作为单链接单任务基线模型，利用其预测分布实现不确定性量化。
• 使用真实世界交通流数据训练并评估所有模型，性能通过平均绝对误差（MAE）和显著性检验的t检验进行衡量。

实验结果

研究问题

• RQ1 与单链接模型相比，结合相邻链接数据的多链接建模是否能提升短期交通流预测的准确性？
• RQ2 在大规模网络交通流预测中，将图模型选择与神经网络结合（GL-NN）是否优于多任务学习（MMTL）？
• RQ3 在交通流预测中，高斯过程回归（GPR）与基于神经网络的模型在预测精度与不确定性估计方面有何差异？
• RQ4 通过GL构建的稀疏图模型在大规模交通网络中，对特征选择与预测效率的提升程度如何？
• RQ5 在多链接交通流预测中，多任务学习是否比单任务学习更有效？

主要发现

• 在真实世界数据的31条链接中，22条链接的多链接单任务方法GL-NN优于多链接多任务学习（MMTL）模型，其中21条链接的改进具有统计显著性。
• GL-NN在所有四种提出模型（SSTL、SMTL、MSTL、MMTL）中达到最高预测精度，证明了GL在从网络级数据中提取相关依赖关系方面的有效性。
• t检验结果证实，GL-NN显著优于MMTL，验证了基于GL的特征选择优于联合多任务优化。
• 高斯过程回归（GPR）提供带有不确定性边界的结果分布，降低噪声方差可使预测区间完全包含实际值，凸显其在鲁棒预测中的潜力。
• 多链接方法始终优于单链接模型，且多任务学习框架的性能优于单任务学习，证实了利用空间与时间相关性的价值。