Scalable Learning of Segment-Level Traffic Congestion Functions

要約

私たちは、地球規模かつセグメントレベルの粒度で交通渋滞関数（交通変数の観測値間の数値的関係）を特定するためのデータ駆動型フレームワークを提案および研究します。
道路ごとに個別のパラメータのセットを推定する方法とは対照的に、私たちの方法では、大都市圏のすべての道路にわたって単一のブラックボックス関数を学習します。
まず、すべてのセグメントからのトラフィック データを 1 つのデータセットにプールし、静的な属性と動的な時間依存の特徴を組み合わせます。
次に、このデータセットでフィードフォワード ニューラル ネットワークをトレーニングします。これにより、このデータセットをエリア内の任意のセグメントで使用できるようになります。
私たちは、フレームワークが観測されたセグメントの渋滞関数をどの程度適切に識別するか、またフレームワークが観測されていないセグメントにどのように一般化し、世界中の複数の都市をカバーする大規模なデータセットでセグメント属性を予測するかを評価します。
観測されたセグメントの識別エラーに関しては、当社の単一のデータ駆動型渋滞関数は、幹線道路におけるセグメント固有のモデルベースの関数と比べて優れていますが、幹線道路では改善の余地があります。
一般化すると、私たちのアプローチは、同じ都市内の未観測セグメントと都市間のゼロショット転移学習の両方で、都市や道路の種類全体で優れたパフォーマンスを示しています。
最後に、セグメント属性を予測する場合、私たちのアプローチは静的特性を使用して個々のセグメントの臨界密度を近似できることがわかります。

要約(オリジナル)

We propose and study a data-driven framework for identifying traffic congestion functions (numerical relationships between observations of traffic variables) at global scale and segment-level granularity. In contrast to methods that estimate a separate set of parameters for each roadway, ours learns a single black-box function over all roadways in a metropolitan area. First, we pool traffic data from all segments into one dataset, combining static attributes with dynamic time-dependent features. Second, we train a feed-forward neural network on this dataset, which we can then use on any segment in the area. We evaluate how well our framework identifies congestion functions on observed segments and how it generalizes to unobserved segments and predicts segment attributes on a large dataset covering multiple cities worldwide. For identification error on observed segments, our single data-driven congestion function compares favorably to segment-specific model-based functions on highway roads, but has room to improve on arterial roads. For generalization, our approach shows strong performance across cities and road types: both on unobserved segments in the same city and on zero-shot transfer learning between cities. Finally, for predicting segment attributes, we find that our approach can approximate critical densities for individual segments using their static properties.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google