Efficient Metropolitan Traffic Prediction Based on Graph Recurrent Neural Network まとめ

中国のドローンのニュースで交通渋滞解消のニュースを思い出して、どんな風にやってるのかなと思い、手を出しました。
あと、今回画像貼ろうと思ったのですが、なぜか検索かけても出てこなかったので、画像ありません…..

【Efficient Metropolitan Traffic Prediction Based on Graph Recurrent Neural Network】
Efficient Metropolitan Traffic Prediction Based on Graph Recurrent Neural Network

Efficient Metropolitan Traffic Prediction Based on Graph Recurrent Neural Network

 

論文のモチベーション

そもそも交通渋滞を予測することで、何ができるかというと、下記2点が可能になります。
前もって危険を周知させるできるので、交通事故解消につながる。
緊急対応のプランを適切に立てることができる。

そして現状の課題は、局所的な予測しかできず、グローバルな予測ができていないこと?と理解していますが、少し自分も理解しきれていないです、
過去のアプローチでは、統計的なアプローチをとっていましたが、そうするとトラフィックネットワーク全体の情報は無視されてしまうようです。

 

何をしたいのか

Graph Recurrent Neural Network (GRNN)を使用して、交通量の予測を行いたい。

 

どんなモデルを使ったのか

大まかな流れは下記です。

linkage network → Graph Recurrent Neural Network (GRNN) → 予測

linkage networkは、多くの情報を扱うことができ、
特に今回は、propagationパターンと言われるものを中心に扱っています。

propagationパターンとは、
交通量の変化を表したメカニズム?と理解していますが、自信がありません….ww

そして、Graph Recurrent Neural Network (GRNN)に移ります。
GRNNは、propagationパターンを受け取り、この情報を学習することで、予測を行うことができています。

ちなみに実装には、PyTorch使っています。
やはりPyTorch流行ってるんですかね。

 

評価

データセット

データセットは,TIC上海が提供しているものを使用しています。

下記がTICの会社のURLです。
TIC
物流とかいろいろやってるみたいですね。

実際のデータの中身は下記の通りです。
ID
geographical、position
upload time
carrying state
speed
the orientation of the vehicleなど

データを取得する際は、
タクシーが、10秒ごとにGPSのデータを送り、データを集めています。

結果

今回は、5つのモデルで、平均二乗誤差(MSE)を使い、比較検証しています。
結果は、下記の通り、GRNNが圧倒的に数値がよかったのがわかります。

今までのアプローチ

HA 22.920 、 ARIMA 14.750、 SVR 22.230、 GBDT 7.082

今回の論文のアプローチ

Modified GGNN 7.091
GRNN-144T-32D-10i 5.576
GRNN-576T-64D-10i 4.779
GRNN-1008T-64D-10i 5.405

わからなかった単語

linkage

連鎖、つながり、結合

congestion

混雑

equilibrium

均衡、釣り合い

vertex

頂点

ambiguity

あいまいさ

 

感想

やはり新しいモデルよりも実プロジェクトに近い論文を読むほうがすいすい読めますね。
数式などは理解できませんでしたが、基礎を固めながら、おいおい読み解いていきたいと思います。