Partitioned Graph Convolution using Adversarial and Regression Networks for Road Travel Speed Prediction

Kjær, Jakob Meldgaard ; Kristensen, Lasse ; Christensen, Mads Alberg

4. term

Software, Master

2020

2020-06-11

12

Reliable travel time information across road networks is increasingly important as demand for real-time estimates grows. In the Danish Road Network (DRN) dataset used here, coverage is sparse and skewed toward arterial roads: only 23.88% of 850,980 road segments have measurements, making estimation for the rest difficult. Many existing graph-based methods also overlook the sheer size of road networks, which can be computationally challenging. We propose a framework that predicts travel speed distributions (speed histograms) for road segments with no data. The approach learns a compact latent representation of the road network using an adversarially regularized convolutional neural network (a type of deep learning model). To handle scale, we partition the road network graph into dense subgraphs (clusters) and train a separate model for each to predict speed histograms for the segments (treated as nodes in the graph representation). On the DRN dataset, the framework achieves 71.5% intersection and 78.5% correlation between predicted and actual speed histograms. Experiments further show that partitioning improves performance: dividing the network into 100 clusters of roughly 500 segments each outperforms partitions with 10 or 20 clusters.

Adgang til pålidelig viden om rejsetider i vejnet bliver stadig vigtigere i takt med efterspørgslen efter realtidsestimater. I det danske vejnetdatasæt (DRN), som vi bruger her, er datadækningen sparsom og skæv mod hovedveje: kun 23,88% af 850.980 vejstrækninger har målinger. Det gør det vanskeligt at estimere rejsetider for resten. Samtidig overser mange eksisterende grafbaserede metoder, at vejnet kan være meget store netværk af forbundne strækninger, hvilket skaber beregningsmæssige udfordringer. Vi præsenterer en ramme, der kan forudsige hastighedsfordelinger (hastighedshistogrammer) for vejstrækninger uden data. Metoden bygger på en kompakt, "latent" repræsentation af vejnettet, som læres af et adversarialt regulariseret konvolutionelt neuralt netværk (en type dyb læringsmodel). For at gøre problemet håndterbart opdeler vi vejnettet (grafen) i tætte delgrafer og træner en model for hver delgraf til at forudsige hastighedsfordelinger for strækningerne (repræsenteret som noder i grafen). På DRN-datasættet opnår rammen 71,5% intersection og 78,5% korrelation mellem forudsagte og faktiske hastighedshistogrammer. Eksperimenterne viser desuden, at klyngeopdeling forbedrer ydeevnen: En opdeling i 100 klynger med cirka 500 vejstrækninger i hver giver bedre resultater end opdelinger i 10 eller 20 klynger.

[This apstract has been rewritten with the help of AI based on the project's original abstract]

neurale netværk ; maskinlæring ; databaseteknologi ; grafer ; vejnetværk ; convolution ; histogram ; TensorFlow ; Keras ; kørselstid

Download PDF
View record in AAU Student Projects