A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios

要約

時空間グラフ ニューラル ネットワークは、交通量予測において最先端のパフォーマンスを達成しました。
ただし、従来の損失関数の制限により、混雑を正確に予測するのに苦労することがよくあります。
通常の交通状況を正確に予測することは非常に重要ですが、信頼性の高い AI システムは、安全で効率的な交通を維持するために渋滞シナリオも正確に予測する必要があります。
この論文では、この問題に対処するために、ヘビーテール解析と不均衡分類問題に触発されたさまざまな損失関数を検討します。
渋滞シナリオに重点を置き、交通速度の予測におけるこれらの損失関数の有効性を評価します。
現実世界の交通データセットに対する広範な実験を通じて、平均絶対誤差 (MAE) を最適化する場合、MAE-Focal Loss 関数が最も効果的であることがわかりました。
平均二乗誤差 (MSE) を最適化する場合、ガンベル損失が優れた選択肢であることがわかります。
これらの選択により、通常の交通速度予測の精度を損なうことなく、交通渋滞イベントを効果的に予測できます。
この研究は、渋滞による突然の速度変化を予測する深層学習モデルの機能を強化し、この方向でのさらなる研究の必要性を強調しています。
渋滞予測の精度を高めることで、実際の交通管理シナリオにおいて信頼性が高く、安全で、回復力のある AI システムを提唱します。

要約(オリジナル)

Spatiotemporal graph neural networks have achieved state-of-the-art performance in traffic forecasting. However, they often struggle to forecast congestion accurately due to the limitations of traditional loss functions. While accurate forecasting of regular traffic conditions is crucial, a reliable AI system must also accurately forecast congestion scenarios to maintain safe and efficient transportation. In this paper, we explore various loss functions inspired by heavy tail analysis and imbalanced classification problems to address this issue. We evaluate the efficacy of these loss functions in forecasting traffic speed, with an emphasis on congestion scenarios. Through extensive experiments on real-world traffic datasets, we discovered that when optimizing for Mean Absolute Error (MAE), the MAE-Focal Loss function stands out as the most effective. When optimizing Mean Squared Error (MSE), Gumbel Loss proves to be the superior choice. These choices effectively forecast traffic congestion events without compromising the accuracy of regular traffic speed forecasts. This research enhances deep learning models’ capabilities in forecasting sudden speed changes due to congestion and underscores the need for more research in this direction. By elevating the accuracy of congestion forecasting, we advocate for AI systems that are reliable, secure, and resilient in practical traffic management scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google