[论文解读] Neural Networks Model for Travel Time Prediction Based on ODTravel Time Matrix

Ayobami Adewale, Amnir Hadachi|arXiv (Cornell University)|Apr 8, 2020

Human Mobility and Location-Based Analysis参考文献 11被引用 4

一句话总结

本研究提出了一种基于神经网络的行程时间预测模型，利用从GPS数据中提取的起讫点（O-D）行程时间矩阵。该研究对比了多层感知机（MLP）和长短期记忆（LSTM）网络，发现尽管两种模型均实现了高精度预测，但LSTM在拟合实际行程时间方面优于MLP，然而随着预测时域的延长，LSTM对噪声的敏感性逐渐增加（例如，两步预测时）。

ABSTRACT

Public transportation system commuters are often interested in getting accurate travel time information to plan their daily activities. However, this information is often difficult to predict accurately due to the irregularities of road traffic, caused by factors such as weather conditions, road accidents, and traffic jams. In this study, two neural network models namely multi-layer(MLP) perceptron and long short-term model(LSTM) are developed for predicting link travel time of a busy route with input generated using Origin-Destination travel time matrix derived from a historical GPS dataset. The experiment result showed that both models can make near-accurate predictions however, LSTM is more susceptible to noise as time step increases.

研究动机与目标

• 基于从历史GPS数据中提取的起讫点（O-D）行程时间矩阵，开发一种用于公共交通路段行程时间预测的神经网络模型。
• 比较多层感知机（MLP）和长短期记忆（LSTM）网络在行程时间预测中的预测精度。
• 评估模型在不同行程时间持续时间（短途与长途）和不同时段（高峰与非高峰）下的性能表现。
• 探究增加预测时间步长对LSTM模型鲁棒性和噪声敏感性的影响。
• 探索深度学习模型在智能交通系统中提升实时行程时间估计的潜力。

提出的方法

• 从公共巴士路线的历史GPS轨迹数据中构建起讫点（O-D）行程时间矩阵。
• 将数据集划分为70%训练集、15%验证集和15%测试集，以确保模型泛化能力。
• 设计一个包含5个输入神经元、两层隐藏层（分别含12个和50个神经元）以及单个输出神经元的多层感知机（MLP）。
• 设计一个包含3个输入神经元、两层隐藏层（分别含80个和100个神经元）以及单个输出神经元的LSTM模型，采用Adam优化算法，批量大小为3。
• 使用均方根误差（RMSE）评估模型性能，定义为 $ \text{RMSE} = \sqrt{\frac{1}{z} \sum (tt^{j}_{a,b} - TT^{j}_{a,b})^2} $，其中 $ z $ 为测试样本数量。
• 使用adaGrad和Adam优化器，分别对MLP训练1,000个周期，对LSTM训练2,000个周期。

实验结果

研究问题

• RQ1 当基于GPS数据生成的O-D行程时间矩阵进行训练时，MLP和LSTM模型在预测路段行程时间方面的准确度如何？
• RQ2 LSTM模型是否在捕捉行程时间序列中的时间依赖性方面优于MLP模型？
• RQ3 短途行程（0–35分钟）与长途行程（>35分钟）的预测准确度有何差异？
• RQ4 高峰时段与非高峰时段对两种模型的预测性能有何影响？
• RQ5 增加预测时间步长（例如，从一步增至两步）如何影响LSTM模型的鲁棒性和噪声敏感性？

主要发现

• MLP模型在短途行程中RMSE为1.17–1.20分钟，在长途行程中为2.48–2.61分钟，且在高峰与非高峰时段间变化极小。
• LSTM模型在拟合实际行程时间方面优于MLP，尤其在捕捉高峰与非高峰时段的时间模式方面表现更优。
• 在两步预测中，LSTM模型性能显著下降，表明其在更长预测时域下对噪声更加敏感。
• 对于持续时间超过30分钟的行程，两种模型的预测误差均低于10%，表明在长时程行程中表现优异。
• LSTM模型整体预测精度优于MLP，但其在预测超过一个时间步长时性能受损，原因在于噪声传播。
• 本研究证实，尽管LSTM等深度学习模型在行程时间预测中表现有效，但其在长预测时域下对噪声的敏感性仍是关键限制。