[论文解读] Short-term traffic flow forecasting with spatial-temporal correlation in a hybrid deep learning framework

Yuankai Wu, Huachun Tan|arXiv (Cornell University)|Dec 3, 2016

Traffic Prediction and Management Techniques参考文献 6被引用 251

一句话总结

本论文提出 CLTFP，一种 CNN-LSTM 混合模型，将空间特征、短期时序动态和日/周周期性融合，以预测短期交通流量，在 PeMS 数据上相比若干基线显示出更高的准确性。

ABSTRACT

Deep learning approaches have reached a celebrity status in artificial intelligence field, its success have mostly relied on Convolutional Networks (CNN) and Recurrent Networks. By exploiting fundamental spatial properties of images and videos, the CNN always achieves dominant performance on visual tasks. And the Recurrent Networks (RNN) especially long short-term memory methods (LSTM) can successfully characterize the temporal correlation, thus exhibits superior capability for time series tasks. Traffic flow data have plentiful characteristics on both time and space domain. However, applications of CNN and LSTM approaches on traffic flow are limited. In this paper, we propose a novel deep architecture combined CNN and LSTM to forecast future traffic flow (CLTFP). An 1-dimension CNN is exploited to capture spatial features of traffic flow, and two LSTMs are utilized to mine the short-term variability and periodicities of traffic flow. Given those meaningful features, the feature-level fusion is performed to achieve short-term forecasting. The proposed CLTFP is compared with other popular forecasting methods on an open datasets. Experimental results indicate that the CLTFP has considerable advantages in traffic flow forecasting. in additional, the proposed CLTFP is analyzed from the view of Granger Causality, and several interesting properties of CLTFP are discovered and discussed .

研究动机与目标

• 为 ITS 应用（动态控制、路径规划、基于位置的服务）推动准确的短期交通流预测。
• 利用交通数据中的空间局部性、短期变动性与周期性模式。
• 开发一种将 CNN 用于空间特征、LSTM 用于时序特征和周期性特征相结合的深度学习架构。
• 实现端到端训练，结合特征级融合与稀疏正则化以提升泛化能力。

提出的方法

• 使用一维卷积神经网络（1D CNN）从跨时间通道的 p 位置交通数据矩阵 S 提取空间特征。
• 使用两个 LSTM 捕捉短期时序特征和长期周期性（每日和每周）。
• 通过拼接融合空间与时态特征，并使用带 L1 正则化的回归层来预测未来交通流量。
• 使用 Adamax 优化器进行端到端训练，并基于验证集进行提前停止。
• 在 PeMS 高速公路走廊数据上对比评估 LSTM、SAE、浅层神经网络和 GBRT。
• 通过受 Granger 因果启发的 LASSO 实验分析特征贡献。

实验结果

研究问题

• RQ1 CNN-LSTM 框架是否能够有效捕捉交通流中的空间、短期时序和周期性模式，以提升短期预测？
• RQ2 空间、短期时序和周期性特征如何影响预测性能，以及它们的相对重要性？

主要发现

• 在 PeMS 数据集上，CLTFP 的 MAE、MAPE 和 ACE 均优于 LSTM、SAE、NN 和 GBRT。
• 空间特征主导预测能力，其中 S+T+P 的组合实现最佳性能。
• 通过融合方法包括所有特征类型（S、T、P）可同时提升点预测和空间分布的准确性。
• 模型的特征级稀疏性有助于降低冗余并改进泛化。
• 增量可预测性分析（Granger 因果视角）表明，将 S、T、P 组合在一起提供比任何单一特征集更丰富的预测信息。