TraffNet: Learning Causality of Traffic Generation for Road Network Digital Twins

要約

道路ネットワーク デジタル ツイン (RNDT) は、次世代のインテリジェント交通システムの開発において重要な役割を果たし、より正確な交通計画と制御を可能にします。
ジャストインタイム (JIT) の意思決定をサポートするには、RNDT にはオンライン センサー データからトラフィック パターンを動的に学習し、忠実度の高いシミュレーション結果を生成するモデルが必要です。
グラフ ニューラル ネットワークに基づく現在の交通予測技術は最先端のパフォーマンスを達成していますが、これらの技術は、交通需要やルート選択などの交通発生の原因を無視して、過去の交通データの相関関係をマイニングすることによって将来の交通を予測するだけです。
したがって、それらのパフォーマンスは JIT の意思決定にとって信頼できません。
このギャップを埋めるために、車両の軌跡データから交通量の因果関係を学習する、TraffNet と呼ばれる新しい深層学習フレームワークを導入します。
まず、異種グラフを使用して道路網を表現し、交通量の因果関係をモデルに組み込めるようにします。
次に、交通ドメインの知識に基づいて、各道路セグメントの移動需要と経路レベルの依存関係をエンコードする埋め込みベクトルを学習する交通因果関係学習方法を提案します。
次に、トラフィック生成の基礎となるプロセスに一致する時間的な依存関係をモデル化します。
最後に、実験により TraffNet の有用性が検証されます。
TraffNet のコードは https://github.com/mayunyi-1999/TraffNet_code.git で入手できます。

要約(オリジナル)

Road network digital twins (RNDTs) play a critical role in the development of next-generation intelligent transportation systems, enabling more precise traffic planning and control. To support just-in-time (JIT) decision making, RNDTs require a model that dynamically learns the traffic patterns from online sensor data and generates high-fidelity simulation results. Although current traffic prediction techniques based on graph neural networks have achieved state-of-the-art performance, these techniques only predict future traffic by mining correlations in historical traffic data, disregarding the causes of traffic generation, such as traffic demands and route selection. Therefore, their performance is unreliable for JIT decision making. To fill this gap, we introduce a novel deep learning framework called TraffNet that learns the causality of traffic volumes from vehicle trajectory data. First, we use a heterogeneous graph to represent the road network, allowing the model to incorporate causal features of traffic volumes. Next, motivated by the traffic domain knowledge, we propose a traffic causality learning method to learn an embedding vector that encodes travel demands and path-level dependencies for each road segment. Then, we model temporal dependencies to match the underlying process of traffic generation. Finally, the experiments verify the utility of TraffNet. The code of TraffNet is available at https://github.com/mayunyi-1999/TraffNet_code.git.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google