AST‐MTL‐CNN‐GRUに基づく短期交通流予測

抄録 道路における短期交通流予測の現在の課題に対処するため、本論文では道路における将来の交通流だけでなく、将来の道路の平均速度も予測することを目的とする。具体的には、著者らはConvolutional Neural Network—Gate Recurrent Unit—Multi Task Learning‐time‐separated attention mechanism（AST‐MTL‐CNN‐GRU）に基づく短期交通流予測法を提案する。第一に、異なる場所および時間帯に対して独立してアテンション行列を効果的に生成できる時間分離アテンションメカニズムを追加する。第二に、交通流、平均速度、占有率の3つの主要パラメータをペアで組み合わせて入力データとし、マルチタスク学習を適用して将来の道路上の交通流および平均速度を予測する。最後に、CNNを用いて空間的特徴を抽出し、GRUを用いて時間的特徴を抽出する。ベースラインモデル（diffusion CNNs (DCRNN)、1D‐CNN‐long short‐term memory (1DCNN‐LSTM)、convolutional LSTM (ConvLSTM)、graph WaveNet、ST‐ResNet）と比較して、著者らの提案モデルは精度、安定性、頑健性の面で高い性能を有する。Quanzhou cityデータセットおよびCaliforniaデータセットを用いた5分割交差検証に基づき、多数のアブレーション実験を実施した。実験結果は、入力として平均速度と占有率を組み合わせることでより高い予測精度が得られることを示している。さらに、著者らの提案モデルは、ノイズが追加された場合でも、精度、安定性、頑健性の面で比較対象の他のモデルを上回ることができる。