[论文解读] Traffic congestion anomaly detection and prediction using deep learning

Adriana‐Simona Mihăiţă, Haowen Li+1 more|arXiv (Cornell University)|Jun 23, 2020

Traffic Prediction and Management Techniques参考文献 20被引用 14

一句话总结

本文提出了一种深度学习框架，用于在悉尼208个高速公路站点实时检测和预测交通拥堵异常，基于3634万条数据点的时空特征。该框架结合了异常检测与CNN-LSTM、BPNN及LSTM模型，表明异常调整可提高准确率并减少所需的历史数据量，其中LSTM在性能上优于混合模型，基于流量的特征可实现最佳预测结果。

ABSTRACT

Congestion prediction represents a major priority for traffic management centres around the world to ensure timely incident response handling. The increasing amounts of generated traffic data have been used to train machine learning predictors for traffic, however, this is a challenging task due to inter-dependencies of traffic flow both in time and space. Recently, deep learning techniques have shown significant prediction improvements over traditional models, however, open questions remain around their applicability, accuracy and parameter tuning. This paper brings two contributions in terms of: 1) applying an outlier detection an anomaly adjustment method based on incoming and historical data streams, and 2) proposing an advanced deep learning framework for simultaneously predicting the traffic flow, speed and occupancy on a large number of monitoring stations along a highly circulated motorway in Sydney, Australia, including exit and entry loop count stations, and over varying training and prediction time horizons. The spatial and temporal features extracted from the 36.34 million data points are used in various deep learning architectures that exploit their spatial structure (convolutional neuronal networks), their temporal dynamics (recurrent neuronal networks), or both through a hybrid spatio-temporal modelling (CNN-LSTM). We show that our deep learning models consistently outperform traditional methods, and we conduct a comparative analysis of the optimal time horizon of historical data required to predict traffic flow at different time points in the future. Lastly, we prove that the anomaly adjustment method brings significant improvements to using deep learning in both time and space.

研究动机与目标

• 解决在具有高时间与空间依赖性的大型复杂高速公路网络中预测交通拥堵的挑战。
• 通过实时检测并调整交通流数据中的异常，提升预测精度。
• 探究深度学习模型中过去历史数据与未来预测时域之间的最优平衡。
• 评估多种深度学习架构（LSTM、CNN、BPNN及混合CNN-LSTM）在多源交通数据（流量、速度、占有率）上的性能表现。
• 确定引入更多数据源（如天气、事故信息）是否能提升预测性能，重点关注数据效率与模型鲁棒性。

提出的方法

• 利用实时与历史交通数据流，应用异常检测与异常调整方法，在模型训练前对实时数据进行清洗。
• 从悉尼48公里高速公路的208个监测站点收集的3634万条交通数据中提取时空特征。
• 实现并比较多种深度学习模型：LSTM用于捕捉时间动态，CNN用于建模空间结构，BPNN作为基线性能基准，混合CNN-LSTM用于时空联合建模。
• 通过敏感性分析，考察不同过去时域（R）与未来时域（P）的组合，以确定最优的训练与预测窗口长度。
• 在单一数据流（流量、速度、占有率）及其组合上进行模型训练，以评估特征重要性与模型鲁棒性。
• 使用RMSE、MAE与MAPE作为评估指标，对不同配置与数据条件下模型的性能进行定量比较。

实验结果

研究问题

• RQ1 异常检测与数据清洗在交通拥堵预测中对深度学习模型的准确率与效率有何影响？
• RQ2 在高速公路流量预测中，不同深度学习架构的最优过去历史数据（R）与未来预测时域（P）组合是什么？
• RQ3 在多站点交通流量预测中，LSTM、CNN、BPNN或混合CNN-LSTM中哪种模型的预测性能最佳？
• RQ4 不同输入特征（流量、速度、占有率）如何影响模型准确率，哪种组合能产生最鲁棒的预测结果？
• RQ5 使用经过清洗且异常调整后的数据，能在多大程度上减少对历史数据长度的需求，同时不牺牲预测准确率？

主要发现

• LSTM模型在所有评估模型中表现最佳，优于更复杂的混合CNN-LSTM架构。
• 异常检测与数据调整显著提升了预测准确率，并减少了所需的历史数据长度，使模型在更短的历史数据下即可达到相似性能。
• 当未来预测时域超过15分钟（P=5）时，最优过去时域（R）收敛至更短时长——例如，LSTM在P=8（24分钟）时仅需48分钟历史数据（R=16），而异常校正前则需130分钟（R=26）。
• 仅基于交通流量训练的模型误差指标最低（MAPE=13.25，RMSE=193.28），其次为流量与占有率组合；仅使用速度的数据表现最差，因其与流量高度相关且受一天中时段影响显著。
• CNN模型在历史数据窗口变长时性能下降，表明空间模型对数据长度敏感，若使用过多历史数据易导致过拟合。
• 混合CNN-LSTM模型的表现劣于独立的LSTM模型，表明在此情境下，模型复杂度的增加并不总是能提升预测准确率。