流れの強さ指標を用いたインテリジェント交通システムにおける交通流予測のためのファジィインスパイアされたディープビリーフネットワーク

Fuzzy Inspired Deep Belief Network for the Traffic Flow Prediction in Intelligent Transportation System Using Flow Strength Indicators.

• Shiju George
• Ajit Kumar Santra

抄録

高度道路交通システム(ITS)は、さまざまな交通モードや交通管理に革新的なサービスを提供することを目的とした先進的な最先端技術である。交通流予測(TFP)は、ITSにおける交通管理を支える交通の巨視的パラメータの一つである。交通機関における様々な機器や技術、その他のリソースからのリアルタイムデータの増加は、ビッグデータの生成につながり、その処理が大きな課題となっています。最近では、このような巨大な生データ、非構造化データ、非線形データから、複数の隠れ層を用いて効率的に包括的な特徴量を抽出するディープラーニング（DL）技術が実証されています。トラヒックデータの非線形性は、TFPの不正確さの主な原因である。本論文では、ディープビリーフネットワークのインクリメンタル学習のためのファジィロジックを用いたバイオインスパイアされた最適化手法であるフローストレングス指標ベースのクロノロジカルドルフィンエコーロケーションファジィを提案する。テクニカル指標はモデルへの入力として流れの強さの特徴を提供する。DLアーキテクチャの隠れた層は、結果として、より多くの特徴を学習し、それを次の層への入力として教師付き学習のために伝播させる。特徴に対するメンバーシップの度合いはメンバーシップ関数によって識別され、その後、ドルフィンエコーロケーションアルゴリズムを用いた重み最適化によって、非線形データに対してモデルを適合させる。2つの異なるデータセット、すなわち、交通主要道路と性能測定システムサンフランシスコ(PEMS-SF)を用いて実験を行ったところ、提案手法は良好な結果を示した。提案手法を対数平均二乗誤差と対数平方平均偏差を用いて分析したところ，時間ステップ期間1年のTraffic-major roadsデータベースでは最小値2.4141と0.61，時間ステップ間隔5分のPEMS-SFデータセットでは最小値1.6691と0.5208がそれぞれ得られた．これらの肯定的な結果は，交通システムにおける我々の交通流モデルの重要性を示している．

Intelligent transportation system (ITS) is an advance leading edge technology that aims to deliver innovative services to different modes of transport and traffic management. Traffic flow prediction (TFP) is one of the key macroscopic parameters of traffic that supports traffic management in ITS. Growth of the real-time data in transportation from various modern equipments, technology, and other resources has led to generate big data, posing a huge concern to deal with. Recently, deep learning (DL) techniques have demonstrated the capability to extract comprehensive features efficiently, using multiple hidden layers, from such huge raw, unstructured, and nonlinear data. Nonlinearity in traffic data is the major cause of inaccuracy in TFP. In this article, we propose a flow strength indicator-based Chronological Dolphin Echolocation-Fuzzy, a bioinspired optimization method with fuzzy logic for incremental learning of deep belief network. Technical indicators provide flow strength features as an input to the model. Hidden layers of DL architecture consequently learn more features and propagate it as an input to next layer for supervised learning. The degree of membership to the features is identified by the membership functions, followed by weight optimization using Dolphin Echolocation algorithm to fit the model for the nonlinear data. Experiments performed on two different data sets, namely Traffic-major roads and performance measurement system-San Francisco (PEMS-SF), show good results for the proposed deep architecture. The analysis of the proposed method using log mean square error and log root mean square deviation acquires a minimum value of 2.4141 and 0.61 for the Traffic-major roads database taken for the time step duration of 1 year and a minimum value of 1.6691 and 0.5208 for PEMS-SF data set for the time step interval of 5 minutes, respectively. These positive results demonstrate key importance of our traffic flow model for the transportation system.