[论文解读] Two-Stream Multi-Channel Convolutional Neural Network (TM-CNN) for Multi-Lane Traffic Speed Prediction Considering Traffic Volume Impact

Ruimin Ke, Li Wan+2 more|arXiv (Cornell University)|Mar 5, 2019

Traffic Prediction and Management Techniques参考文献 25被引用 12

一句话总结

本文提出TM-CNN，一种双流多通道卷积神经网络，通过时空特征学习联合建模速度与流量数据，实现车道特定交通速度的预测。该方法引入一种新颖的数据转换方法和一种考虑流量的损失函数，在真实世界交通数据上的多车道速度预测中，相较于基线模型表现出更优的准确性。

ABSTRACT

Traffic speed prediction is a critically important component of intelligent transportation systems (ITS). Recently, with the rapid development of deep learning and transportation data science, a growing body of new traffic speed prediction models have been designed, which achieved high accuracy and large-scale prediction. However, existing studies have two major limitations. First, they predict aggregated traffic speed rather than lane-level traffic speed; second, most studies ignore the impact of other traffic flow parameters in speed prediction. To address these issues, we propose a two-stream multi-channel convolutional neural network (TM-CNN) model for multi-lane traffic speed prediction considering traffic volume impact. In this model, we first introduce a new data conversion method that converts raw traffic speed data and volume data into spatial-temporal multi-channel matrices. Then we carefully design a two-stream deep neural network to effectively learn the features and correlations between individual lanes, in the spatial-temporal dimensions, and between speed and volume. Accordingly, a new loss function that considers the volume impact in speed prediction is developed. A case study using one-year data validates the TM-CNN model and demonstrates its superiority. This paper contributes to two research areas: (1) traffic speed prediction, and (2) multi-lane traffic flow study.

研究动机与目标

• 为填补车道级交通速度预测的空白，突破现有聚合速度模型的局限。
• 将交通流量作为速度预测中的关键影响因素纳入考量，而这一因素在现有深度学习模型中常被忽略。
• 开发一种统一的深度学习框架，以捕捉车道之间的时空相关性以及速度与流量之间的关联。
• 通过高粒度建模多车道动态，提升智能交通系统中的预测准确性。

提出的方法

• 将原始速度与流量数据转换为时空多通道矩阵，以保留其时空关系。
• 设计双流卷积神经网络架构：一路处理速度特征，另一路处理流量特征，实现车道级动态的联合学习。
• 融合两路的特征图，以捕捉车道与时间维度上速度与流量之间的跨模态相关性。
• 引入一种新颖的损失函数，根据交通流量水平对预测误差进行加权，特别强调高流量条件下的预测精度。
• 采用反向传播进行端到端训练，结合自适应优化方法，通过卷积层利用时间依赖性。

实验结果

研究问题

• RQ1 深度学习模型能否有效预测车道级交通速度，而非仅聚合速度？
• RQ2 在多车道交通速度预测中，引入交通流量数据在多大程度上提升了预测准确性？
• RQ3 双流卷积神经网络架构在多车道之间以及速度与流量之间，能否有效捕捉时空相关性？
• RQ4 考虑流量的损失函数是否能带来更好的预测性能，尤其是在高流量交通条件下？

主要发现

• TM-CNN模型在车道级速度预测中，相比基线模型（包括标准CNN和RNN），显著降低了预测误差。
• 将交通流量作为输入模态可提升预测准确性，尤其在高流量交通时段表现更优。
• 双流架构有效学习了跨车道及跨模态（速度-流量）依赖关系，增强了特征表示能力。
• 考虑流量的损失函数显著降低了高流量场景下的预测误差，展现出在不同交通条件下的鲁棒性。
• 该模型在所有车道上均保持高性能，表明其对单个车道动态具有强大的泛化能力。