[论文解读] Traffic Flow Estimation using LTE Radio Frequency Counters and Machine Learning

Forough Yaghoubi, Armin Catovic+3 more|arXiv (Cornell University)|Jan 22, 2021

Traffic Prediction and Management Techniques被引用 4

一句话总结

本文提出了一种利用网络单元收集的标准LTE无线频率计数器（路径损耗和时间提前量）进行隐私保护的交通流估计方法。通过将问题建模为监督回归任务，结合经典和深度学习模型，并应用迁移学习实现时间与空间上的泛化，该方法即使在有限真实数据的情况下也能实现优异性能，为传统交通传感器提供了一种可扩展、非侵入性的替代方案。

ABSTRACT

As the demand for vehicles continues to outpace construction of new roads, it becomes imperative we implement strategies that improve utilization of existing transport infrastructure. Traffic sensors form a crucial part of many such strategies, giving us valuable insights into road utilization. However, due to cost and lead time associated with installation and maintenance of traffic sensors, municipalities and traffic authorities look toward cheaper and more scalable alternatives. Due to their ubiquitous nature and wide global deployment, cellular networks offer one such alternative. In this paper we present a novel method for traffic flow estimation using standardized LTE/4G radio frequency performance measurement counters. The problem is cast as a supervised regression task using both classical and deep learning methods. We further apply transfer learning to compensate that many locations lack traffic sensor data that could be used for training. We show that our approach benefits from applying transfer learning to generalize the solution not only in time but also in space (i.e., various parts of the city). The results are very promising and, unlike competing solutions, our approach utilizes aggregate LTE radio frequency counter data that is inherently privacy-preserving, readily available, and scales globally without any additional network impact.

研究动机与目标

• 开发一种利用现有LTE网络基础设施的可扩展、隐私保护的交通流估计方法。
• 克服传统交通传感器的局限性，如高成本、覆盖范围有限和维护需求。
• 利用标准化、匿名化的LTE无线频率计数器（路径损耗和时间提前量）作为交通估计的特征。
• 通过迁移学习提高模型在不同路段和时间段的泛化能力。
• 证明聚合的、厂商无关的RF计数器可作为交通流的有效代理指标，且不影响网络运行。

提出的方法

• 将问题建模为监督回归任务，以路径损耗和时间提前量计数器作为输入特征，以交通传感器的实际车辆数作为真实标签目标。
• 在标记数据上训练经典机器学习模型（随机森林）和深度学习模型（LSTM），以预测交通流。
• 应用两种迁移学习方法：即时加权和使用最大均值差异（MMD）正则化的深度领域自适应，以对齐源域和目标域的特征分布。
• 深度领域自适应方法冻结预训练层，并使用MMD正则化仅基于源域标签微调最后的全连接层。
• 通过时间泛化（将模型应用于不同时间段）和空间泛化（将模型应用于无真实标签的新路段）评估模型性能。
• 所有使用数据均在小区级别聚合，且本质上已匿名化，确保不暴露任何个人用户信息。

实验结果

研究问题

• RQ1 LTE无线频率计数器（路径损耗和时间提前量）能否有效用作交通流估计的特征？
• RQ2 当在有限数据上训练时，机器学习模型在不同时间段（时间泛化）上的泛化能力如何？
• RQ3 当应用于缺乏真实标签的新路段时，迁移学习能否提升模型性能（空间泛化）？
• RQ4 使用隐私保护的聚合RF计数器是否能实现可扩展且全球适用的交通估计解决方案？
• RQ5 在一组路段上训练的模型，其性能在具有不同交通模式的其他路段上如何迁移？

主要发现

• 采用迁移学习的LSTM模型在使用时间提前量特征进行空间泛化时，平均R²得分为0.63，显著优于无迁移学习的基线模型。
• 通过迁移学习，模型在使用时间提前量特征进行空间泛化时，平均R²得分为0.61，证明其能有效适应新路段。
• 使用路径损耗特征的模型在应用迁移学习后性能有所提升，R²得分为0.24，而无迁移学习时在某条测试路段的R²得分为-0.20。
• 采用MMD正则化的深度领域自适应方法提升了空间泛化性能，尤其在微调最后几层时效果更明显。
• 该方法本质上具有隐私保护性，因为它仅使用聚合的、匿名化的RF计数器，不包含任何个人用户数据。
• 该方法可全球扩展且不影响网络，因为所需数据已由所有LTE网络为网络管理目的而持续收集。