Uncertainty Quantification for Image-based Traffic Prediction across Cities

要約

交通予測のための深層学習モデルの強力な予測パフォーマンスにもかかわらず、現実世界のインテリジェント交通システムへの広範な導入は、解釈可能性の欠如によって抑制されてきました。
不確実性定量化 (UQ) 手法は、確率的推論を誘導し、意思決定を改善し、モデル展開の可能性を高めるアプローチを提供します。
交通予測における既存の UQ 手法の有用性と、得られた不確実性と都市全体の交通動態との関係の包括的な全体像を得るために、複数の都市および期間にわたる大規模な画像ベースの交通データセットへのその適用を調査します。
時間的および時空間伝達タスクの両方について、2 つの認識論的 UQ 法と 2 つの偶然的 UQ 法を比較し、意味のある不確実性推定値を回復できることを発見しました。
さらに、都市交通ダイナミクスの変化における教師なし外れ値検出に不確実性推定をどのように使用できるかを示します。
モスクワ市の代表的なケーススタディでは、私たちのアプローチが交通行動に対する時間的および空間的影響の両方を捉えることができることがわかりました。
私たちの研究は、交通予測タスクにおける不確実性への意識を高めるためのさらなる一歩を示し、都市交通ダイナミクスのより深い理解に対する UQ 手法の価値的貢献を強調することを目的としています。

要約(オリジナル)

Despite the strong predictive performance of deep learning models for traffic prediction, their widespread deployment in real-world intelligent transportation systems has been restrained by a lack of interpretability. Uncertainty quantification (UQ) methods provide an approach to induce probabilistic reasoning, improve decision-making and enhance model deployment potential. To gain a comprehensive picture of the usefulness of existing UQ methods for traffic prediction and the relation between obtained uncertainties and city-wide traffic dynamics, we investigate their application to a large-scale image-based traffic dataset spanning multiple cities and time periods. We compare two epistemic and two aleatoric UQ methods on both temporal and spatio-temporal transfer tasks, and find that meaningful uncertainty estimates can be recovered. We further demonstrate how uncertainty estimates can be employed for unsupervised outlier detection on changes in city traffic dynamics. We find that our approach can capture both temporal and spatial effects on traffic behaviour in a representative case study for the city of Moscow. Our work presents a further step towards boosting uncertainty awareness in traffic prediction tasks, and aims to highlight the value contribution of UQ methods to a better understanding of city traffic dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google