[论文解读] Travel Speed Prediction with a Hierarchical Convolutional Neural Network and Long Short-Term Memory Model Framework

Wei Wang, Xucheng Li|arXiv (Cornell University)|Sep 6, 2018

Traffic Prediction and Management Techniques参考文献 15被引用 6

一句话总结

本文提出了一种分层D-CLSTM-t深度学习模型，结合卷积神经网络（CNN）与长短期记忆（LSTM）网络，以高精度预测短期出行速度。该框架能够捕捉时空交通模式与季节性变化，在预测未来15至90分钟的车速方面，优于CNN、LSTM、LGBM及传统模型。

ABSTRACT

Advanced travel information and warning, if provided accurately, can help road users avoid traffic congestion through dynamic route planning and behavior change. It also enables traffic control centres mitigate the impact of congestion by activating Intelligent Transport System (ITS) proactively. Deep learning has become increasingly popular in recent years, following a surge of innovative GPU technology, high-resolution, big datasets and thriving machine learning algorithms. However, there are few examples exploiting this emerging technology to develop applications for traffic prediction. This is largely due to the difficulty in capturing random, seasonal, non-linear, and spatio-temporal correlated nature of traffic data. In this paper, we propose a data-driven modelling approach with a novel hierarchical D-CLSTM-t deep learning model for short-term traffic speed prediction, a framework combined with convolutional neural network (CNN) and long short-term memory (LSTM) models. A deep CNN model is employed to learn the spatio-temporal traffic patterns of the input graphs, which are then fed into a deep LSTM model for sequence learning. To capture traffic seasonal variations, time of the day and day of the week indicators are fused with trained features. The model is trained end-to-end to predict travel speed in 15 to 90 minutes in the future. We compare the model performance against other baseline models including CNN, LGBM, LSTM, and traditional speed-flow curves. Experiment results show that the D-CLSTM-t outperforms other models considerably. Model tests show that speed upstream also responds sensibly to a sudden accident occurring downstream. Our D-CLSTM-t model framework is also highly scalable for future extension such as for network-wide traffic prediction, which can also be improved by including additional features such as weather, long term seasonality and accident information.

研究动机与目标

• 解决在具有高时空复杂性与非线性特性的城市交通网络中预测短期出行速度的挑战。
• 开发一种数据驱动的深度学习框架，能够从大规模交通数据集中建模复杂且动态的交通模式。
• 整合时间指标（一天中的时间、星期几）以捕捉交通速度中的季节性与昼夜变化。
• 实现可扩展的端到端训练，为未来全网交通预测应用提供支持。
• 通过高精度速度预测支持主动式智能交通系统（ITS）干预，提升交通管理效率。

提出的方法

• 采用深度卷积神经网络（CNN）从以图形式表示的输入交通数据中提取空间与时间特征。
• 将训练好的CNN特征输入深层LSTM网络，对时间速度趋势进行序列建模。
• 将一天中的时间与星期几指标与CNN-LSTM特征融合，以建模周期性与季节性交通行为。
• 对整个D-CLSTM-t框架进行端到端训练，直接预测未来15至90分钟的出行速度。
• 采用分层架构，其中CNN捕捉局部时空模式，LSTM建模长程时间依赖性。
• 利用高分辨率大规模交通数据集与GPU加速训练，以优化模型性能。

实验结果

研究问题

• RQ1 混合CNN-LSTM模型能否有效捕捉城市交通速度数据的时空动态？
• RQ2 将一天中的时间与星期几特征整合后，对出行速度预测精度的提升程度如何？
• RQ3 D-CLSTM-t模型在短期速度预测中，相较于独立的CNN、LSTM、LGBM及传统速度-流量模型，性能提升的幅度有多大？
• RQ4 该模型对突发交通事件（如下游事故）的响应能力如何？
• RQ5 该框架在不进行显著架构修改的前提下，能否扩展至大规模全网交通预测？

主要发现

• D-CLSTM-t模型在预测未来15至90分钟出行速度方面，显著优于基线模型，包括CNN、LSTM、LGBM及传统速度-流量曲线。
• 该模型对下游交通事件表现出强敏感性，上游速度变化能被准确反映在预测结果中。
• 整合一天中的时间与星期几指标可提升模型泛化能力，并有效捕捉周期性交通模式。
• 端到端训练策略实现了稳健的特征学习，显著提升了在多样化交通条件下的预测精度。
• 该框架具有高度可扩展性与适应性，适用于全网交通预测，且具备集成天气、事故等附加特征的潜力。
• 该模型在测试数据集上达到最先进性能，证实其在实时交通速度预测应用中的有效性。