Deep Learning for Traffic Flow Prediction using Cellular Automata-based Model and CNN-LSTM architecture

要約

最近の研究では、深層学習を使用して将来の交通流の状態を予測する試みが行われていますが、結果はまちまちです。
これらのアプローチは 2 つの重要な課題に直面しています。
まず、深層学習ニューラル ネットワークのトレーニングには大量のトレーニング データが必要ですが、トラフィック フロー システムではまだ簡単に利用できません。
第 2 に、データが利用可能な場合でも、ニューラル ネットワークは、将来の交通状態を適切に予測するために、考えられる交通流のダイナミクスのほとんどをカバーする履歴データにアクセスする必要があります。
特に、これらの深層学習アプローチは、既存の重要な知識ベースにもかかわらず、トラフィック フローのダイナミクスに関するドメインの知識を完全には活用していません。
この研究では、長短期記憶 (LSTM) 深層学習アーキテクチャを備えた畳み込みニューラル ネットワーク (CNN) を使用して両方の問題を解決し、トラフィック フローを首尾よく予測しながら、セル オートマトン ベースのトラフィック フローの統計力学モデルを活用して、
トレーニングとテストのデータ。
この論文のもう 1 つの主な貢献は、大規模な交通システムのトレーニング データが、はるかに小規模な交通システムのシミュレーションから実際にサンプリングできるという洞察です。
これは、統計力学モデルの正規化されたエネルギー分布がスケール不変であることを観察することで実現され、大規模な交通システムのデータ生成の負担が大幅に軽減されます。
結果のシミュレーションは、予測された交通流ダイナミクスと実際の交通流ダイナミクスがよく一致していることを示しています。

要約(オリジナル)

Recent works have attempted to use deep learning to predict future states of traffic flow, but have met with mixed results. These approaches face two key challenges. First, training deep learning neural networks requires large amounts of training data which are not yet easily available for traffic flow systems. Second, even when data is available, the neural networks require access to historical data that covers most possible traffic flow dynamics to successfully predict future traffic states. Specifically, these deep learning approaches do not fully leverage domain-knowledge about traffic flow dynamics, despite a significant existing knowledge-base. In this work, we propose to solve both issues using a Convolutional Neural Network (CNNs) with Long Short Term Memory (LSTM) deep learning architecture to successfully predict traffic flow, while leveraging a cellular automata-based statistical mechanics model of traffic flow to generate training and test data. Another major contribution of this paper is the insight that training data for a large traffic system can actually be sampled from the simulations of a much smaller traffic system. This is achieved through observing that the normalized energy distribution of the statistical mechanics model is scale invariant, which significantly eases the burden of data generation for large scale traffic systems. The resulting simulations indicate good agreement between the predicted and the true traffic flow dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google