Traffic Speed Prediction Based on Machine Learning Techniques

Abstract

Many global automotive companies strive to develop technologies towards the next generation Intelligent Transportation System (ITS). In particular, predicting future traffic conditions to optimize a driver’s route is of the utmost importance for the next generation navigation system. In this paper, we employ the adversarial training of the Generative Adversarial Network (GAN), which learns to mimic distribution of given data and generates realistic data. We propose a novel traffic speed prediction framework, Adversarial Prediction of Traffic Speed (APOTS), based on adversarial training, data augmentation, and hybrid deep-learning modeling. Through the experiments with real traffic data, we demonstrate that APOTS performs the traffic speed prediction with 40% higher accuracy than the existing traffic speed prediction models.|최근 글로벌 자동차 회사들은 최적 경로 제공, 교통 신호 체계 최적화, 실시간 돌발상황 대응 등을 종합적으로 관리하는 차세대 지능형 교통 시스템 (ITS, Intelligent Transport Systems)을 향한 기술 개발을 활발히 진행하고 있다. 특히, 미래의 교통 상황을 예측하여 운전자에게 최적 경로를 제공하는 것은 차세대 내비게이션 시스템에서 중요한 요소이다. 이의 일환으로 교통 속도를 예측하는 연구는 주목받아온 연구 분야이다. 교통 속도 예측 문제는 예측하고자 하는 도로 구간에 과거 교통 속도를 기반으로 미래의 교통 속도를 예측하는 것이다. 최근에는 여러 분야에서 괄목할 만한 성과를 보이는 심층학습 (deep learning)이 교통 속도 예측 문제에서 좋은 성능을 보이고 있다. 그 중, 이미지 처리 분야에서 새로운 이미지를 생성하는데 널리 활용되고 있는 적대적 생성신경망 (GAN, Generative Adversarial Network)의 적대적 학습 (adversarial training)은 데이터의 분포를 학습하는 강점이 있다. 하지만, 적대적 생성신경망은 데이터 분포를 따르는 임의의 데이터를 생성하는 문제이지만, 예측 문제는 실제 데이터 분포를 따르면서 동시에 주어진 예측상황에 맞는 값을 예측해야 하는 문제이기 때문에 예측 문제에서는 잘 활용되지 않았다.

본 논문에서는 적대적 학습을 적절히 변형하여 교통 속도 예측 문제에 적용하였고, 예측 모델이 데이터의 분포를 학습한다. 또한, 교통 속도는 과거 교통 속도뿐만 아니라 교통 환경의 영향도 받기 때문에 이를 추가적인 교통 환경 데이터로써 과거 속도 데이터와 더불어 예측 모델에 입력하였다. 기존 교통 속도 예측 연구에서 널리 활용되었던 CNN (Convolution Neural Network)과 LSTM (Long Short-Term Memory)를 적용하였다. 이처럼 적대적 학습방법 (adversarial training), 추가 데이터 활용 (data augmentation), 다양한 딥러닝 구조 활용 (hybrid deep learning modeling)의 특징을 가진 새로운 교통 속도 예측 프레임 워크, APOTS (Adversarial Prediction of Traffic Speed)를 제안하고, 현대자동차의 실제 교통 속도 데이터를 활용하여 APOTS의 성능을 검증하였다. 그 결과, APOTS는 심층학습의 기본구조를 활용한 교통 속도 예측 모델보다 약 40 % 정확도 향상을 보였다. 특히, 급격히 속도가 변하는 구간에서는 약 66%의 예측 정확도 향상을 보였다.; Many global automotive companies strive to develop technologies towards the next generation Intelligent Transportation System (ITS). In particular, predicting future traffic conditions to optimize a driver’s route is of the utmost importance for the next generation navigation system. In this paper, we employ the adversarial training of the Generative Adversarial Network (GAN), which learns to mimic distribution of given data and generates realistic data. We propose a novel traffic speed prediction framework, Adversarial Prediction of Traffic Speed (APOTS), based on adversarial training, data augmentation, and hybrid deep-learning modeling. Through the experiments with real traffic data, we demonstrate that APOTS performs the traffic speed prediction with 40% higher accuracy than the existing traffic speed prediction models.