Uncertainty-aware Traffic Prediction under Missing Data

要約

交通予測は交通分野での応用範囲が広いため、重要なテーマです。
最近、さまざまな研究が有望な結果をもたらしています。
ただし、ほとんどの研究では、予測場所には完全または少なくとも部分的な歴史的記録があり、歴史的に記録されていない場所に拡張することはできないと想定されています。
実際のシナリオでは、予算の制限や設置の可用性によりセンサーの導入が制限される可能性があり、そのため現在のほとんどのモデルは適用できません。
欠落している場所の交通状況を推定しようとした文献はほとんどありませんが、これらの方法では、その場所でセンサーで同時に観測されたデータが必要であるため、予測タスクには適用できません。
もう 1 つの欠点は、予測の不確実性の測定が欠如しているため、これまでの研究はリスクに敏感なタスクや意思決定を伴うタスクには適していません。
このギャップを埋めるために、以前の帰納的グラフ ニューラル ネットワークに触発されたこの研究では、1) 履歴記録のない欠落位置まで予測を拡張し、センサーの導入を削減しながら予測位置の空間カバー範囲を大幅に拡張する機能を備えた不確実性認識フレームワークを提案しました。
2) 不確実性を定量化した確率的予測を生成して、下流タスクでのリスク管理と意思決定を支援します。
現実のデータセットに対する広範な実験を通じて、結果は、私たちの方法が予測タスクで有望な結果を達成したことを示し、不確実性の定量化により、履歴データがある場所とない場所と高度に相関する一貫した結果が得られます。
また、私たちのモデルが輸送分野でのセンサー導入タスクをサポートし、限られたセンサー導入予算でより高い精度を達成できることも示します。

要約(オリジナル)

Traffic prediction is a crucial topic because of its broad scope of applications in the transportation domain. Recently, various studies have achieved promising results. However, most studies assume the prediction locations have complete or at least partial historical records and cannot be extended to non-historical recorded locations. In real-life scenarios, the deployment of sensors could be limited due to budget limitations and installation availability, which makes most current models not applicable. Though few pieces of literature tried to impute traffic states at the missing locations, these methods need the data simultaneously observed at the locations with sensors, making them not applicable to prediction tasks. Another drawback is the lack of measurement of uncertainty in prediction, making prior works unsuitable for risk-sensitive tasks or involving decision-making. To fill the gap, inspired by the previous inductive graph neural network, this work proposed an uncertainty-aware framework with the ability to 1) extend prediction to missing locations with no historical records and significantly extend spatial coverage of prediction locations while reducing deployment of sensors and 2) generate probabilistic prediction with uncertainty quantification to help the management of risk and decision making in the down-stream tasks. Through extensive experiments on real-life datasets, the result shows our method achieved promising results on prediction tasks, and the uncertainty quantification gives consistent results which highly correlated with the locations with and without historical data. We also show that our model could help support sensor deployment tasks in the transportation field to achieve higher accuracy with a limited sensor deployment budget.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google