Spatiotemporal Imputation of Traffic Speed Using Generative Adversarial Network

Abstract

Data that are complete and accurate are the most important premises of providing reliable traffic information because they are required by most statistical analyses. However, the problem of missing data is unavoidable since the data collection system is not free of errors. Recently, deep learning approaches, which are capable of capturing the inherent features and interactions in the data, have been proposed to deal with the problem of missing data. Spatio-temporal dependencies are key for the imputation of traffic data, and color-coded traffic speed images in time-space diagrams can represent them. In this paper, we propose a multi-input deep-convolutional generative adversarial imputation network (MI-DC GAIN) to impute the network-wide traffic speed on an urban expressway in the form of speed images. The proposed method uses a convolutional neural network (CNN) to deal with spatio-temporal patterns in the speed images and GAIN to focus on the data imputation. To facilitate the training DC-GAIN, speed images reconstructed by the traffic adaptive smoothing method (TASM) were used in the multi-input structure as additional information. Findings from the experiment showed that applying CNN to the structure of GAIN can enhance the model capability of learning traffic speed images, which are enhanced further by the multi-input structure with the additional reconstructed speed images. The MI-DC GAIN achieved much better performance than benchmark models in terms of accuracy and robustness to the level-of-congestion and the missing rate. 신뢰성 있는 교통정보를 제공하기 위한 전제는 데이터의 완전무결성이다. 하지만 교통 정보 수집 시스템은 오류로부터 자유롭지 않기 때문에 결측이 필연적으로 발생한다. 최근에는 교통정보의 결측을 대체하기 위한 방법론으로 데이터의 내재적 특징과 상호작용을 포착할 수 있는 딥러닝 접근법이 활용되고 있다. 교통정보 결측의 핵심은 시공간적 상관성을 고려하는 것인데, 이는 통행속도를 시공도의 2차원 형태로 표현한 이미지를 활용함으로써 고려할 수 있다. 이 연구에서는 변형된 생성적 적대신경망을 활용하여 지점검지기로부터 수집되는 도시부 고속도로의 통행속도 결측을 대체한다. 제안된 방법론은 신경망 구조에서 교통정보의 시공간적 패턴을 통행속도 이미지의 형태로 고려하기 위해 합성곱 신경망을 차용한다. 또한 학습을 용이하게 하기 위해 교통류 적합 스무딩 기법으로 교통정보를 재구축한 이미지를 멀티 입력자료로 활용한다. 합성곱 신경망 구조와 멀티 입력자료의 활용을 통해 생성적 적대 신경망의 통행속도 이미지 학습 성능을 향상시킬 수 있다.

신뢰성 있는 교통정보를 제공하기 위한 전제는 데이터의 완전무결성이 다. 하지만 교통 정보 수집 시스템은 오류로부터 자유롭지 않기 때문에 결측이 필연적으로 발생한다. 최근에는 교통정보의 결측을 대체하기 위 한 방법론으로 데이터의 내재적 특징과 상호작용을 포착할 수 있는 딥러 닝 접근법이 활용되고 있다. 교통정보 결측의 핵심은 시공간적 상관성을 고려하는 것인데, 이는 통행속도를 시공도의 2차원 형태로 표현한 이미 지를 활용함으로써 고려할 수 있다. 이 연구에서는 변형된 생성적 적대 신경망을 활용하여 지점검지기로부터 수집되는 도시부 고속도로의 통행 속도 결측을 대체한다. 제안된 방법론은 신경망 구조에서 교통정보의 시 공간적 패턴을 통행속도 이미지의 형태로 고려하기 위해 합성곱 신경망 을 차용한다. 또한 학습을 용이하게 하기 위해 교통류 적합 스무딩 기법 으로 교통정보를 재구축한 이미지를 멀티 입력자료로 활용한다. 합성곱 신경망 구조와 멀티 입력자료의 활용을 통해 생성적 적대 신경망의 통행 속도 이미지 학습 성능을 향상시킬 수 있다.