TRUE Blog

​Short-Term Traffic Forecasting Using Multi-Weight Traffic Graph Convolutional Networks

2021-06-04

Yuyol Shin

Traffic forecasting problem is a research area in transportation engineering that has flourished over the last couple of decades, and started to garner broader research interest as a key technical enabler of the adaptive traffic management. The recent surge of Graph Convolutional Networks has led to acute improvement on the performance of traffic forecasting tasks. However, many studies overlook the features that can represent the transportation networks such as speed limit, distance, and flow direction.

In our research, we propose Multi-Weight Traffic Graph Convolutional (MW-TGC) Networks to incorporate aforementioned features in a single model and to reflect more spatial dynamicity in traffic forecasting problem. Experiment on two real-world datasets show that the proposed model outperforms the state-of-the-art models. In addition, the results also demonstrate that the consideration of structural features and the complexity of forecasting model should adjust to the geospatial complexity of the forecasting region.

Method

MW-TGC networks is a deep neural network architecture that learns spatial features of traffic speed data from graph structure and spatial characteristics of road segments. The dimension reduction layer in the architecture helps the model to scale up to the traffic network with more road segments. Finally, a sequence-to-sequence LSTM model is implemented to learn temporal features of traffic speed data. The following video illustrates the traffic speed forecasting process of MW-TGC network.

Data

To evaluate the performance of the proposed model, we applied the model to the average taxi speed datasets of Seoul, South Korea (htttps://topis.seoul.go.kr). The dataset contains the 5 min average speed from April 1 to April 30, 2018, The citywide network has 4,774 road segments in total, and we extracted two sites for the experiment – homogeneous urban-core with fewer links and large-scale, heterogeneous urban-mix.

Root mean squared error, mean absolute percentage error and mean absolute scaled error on 30, 45, 60-min forecast of MW-TGC network and other baseline traffic forecasting models are as follows.

Result

Results on Urban-core

Results on urban-mix

SELECTED REFERENCES

  • Y. Shin and Y. Yoon, "Incorporating Dynamicity of Transportation Network With Multi-Weight Traffic Graph Convolutional Network for Traffic Forecasting," in IEEE Transactions on Intelligent Transportation Systems, doi: 10.1109/TITS.2020.3031331.

EU 인공지능 규제법안 (Artificial Intelligence Act)

2021-05-20

유럽연합(EU) 집행위원회는 시민의 건강을 위험하게 하거나 기본권을 해칠 수 있는 고위험 인공지능(AI)의 사용을 규제하는 내용의 ‘인공지능 법안’을 발표했습니다(‘21.04.21). 고위험 인공지능시스템은 출시 전 위험성 평가를 거치는 등 엄격한 요구 사항을 충족해야하며, 교통 관리 및 운영, 생체 인식, 신용 평가 등이 이에 포함됩니다.


리스크 수준에 따른 인공지능시스템 분류

인공지능은 개인 또는 사회에 새로운 리스크 또는 부정적 결과를 발생시킬 수 있습니다. 유럽연합(EU) 집행위원회는 인공지능시스템을 발생할 수 있는 리스크의 수준에 따라 ①금지된 인공지능, ②고위험 인공지능, ③제한된/저위험 인공지능 세 가지로 분류하였습니다.


금지 인공지능이란?

개인에게 신체적 및 정신적 위험을 초래하거나, 사회적 약자(아동 및 장애인 등)의 취약점을 표적으로 삼거나, 개인 또는 단체를 차별하거나, 공개된 장소에서의 생체인식 기반 실시간 신원확인 등 인간의 존엄성, 자유, 평등, 민주주의, 기본권을 침해하는 인공지능이 금지 인공지능에 속합니다.


고위험 인공지능이란?

사람들의 안전 또는 기본 권리에 부정적인 영향을 미칠 수 있는 인공지능이 ‘고위험’ 분류에 속하며, 대표적인 예시는 다음과 같습니다.

  1. 생체 인식 및 분류

  2. 중요 인프라의 관리 및 운영 (도로 교통의 관리 및 운영, 물/가스/난방/전기 공급)

  3. 교육 및 직업 훈련, 고용, 직원관리

  4. 민간 또는 공공서비스 접근 및 이용

  5. 법 집행, 사법업무, 이민 및 국경통제

고위험 인공지능시스템 운영을 위한 요구사항

  • 위험관리시스템: 인공지능으로 인해 발생할 수 있는 위험을 제거하거나, 제거가 불가능한 위험은 완화시켜야 합니다. 위험관리는 AI시스템이 운영되는 동안 지속적으로 수행되며, 정기적으로 업데이트 됩니다. 위험관리 단계는 아래 네 단계로 구성될 수 있습니다.
    ① 리스크 식별
    ② 리스크 추정 및 평가
    ③ 데이터 분석 기반의 리스크 평가
    ④ 적절한 위험관리 조치 채택


  • 고품질 데이터: 고위험 인공지능시스템은 품질 기준을 만족하는 학습(training), 검증(validation), 테스트(testing) 데이터를 바탕으로 개발되어야 합니다. 데이터는 인공지능시스템 운영 목적과 연관성이 있고, 대표성을 띄어야하며, 오류가 없어야 하고, 완전해야 합니다.


  • 정보 투명성: 사용자가 고위험 인공지능시스템의 결과물이 어떻게 만들어지는지 이해하고 사용할 수 있도록, AI시스템 성능, 한계, 보안수준, 위험성 등이 명시된 사용 지침을 제공해야 합니다.


  • 준수사항 문서화: 시스템이 인공지능 법안의 요구사항을 준수하고 있음을 밝히는 기술 문서를 작성하고 갱신해야 합니다.


  • 기록 보관 의무: 시스템 로그(이용 기간, 참조 데이터베이스, 입력 데이터, 관여자)가 자동 저장 되도록 설계되어야 하며, 모든 단계에서 로그는 추적 가능하도록 저장되어야 합니다.


  • 인간의 관리 감독: 건강, 안전 및 기본 권리에 대한 위험을 예방하고 최소화하기 위하여 인간이 효과적으로 시스템을 감독할 수 있도록 설계되어야 합니다.

더 안전하고, 지속가능한 AI 기반 모빌리티

2021-05-20

유럽연합 집행위원회는 '인공지능 육성을 위한 계획안'에서 AI+모빌리티를 핵심 정책목표 중 하나로 제시하였습니다.

AI+모빌리티는 더 안전하고, 더 공평하며, 더 효율적인, 지속가능한 승객 및 화물 운송 서비스 촉진에 목적을 두고 있습니다.

AI 기반 모빌리티의 목적

AI+Mobility 핵심 목표 및 전략

모빌리티 분야에서의 인공지능은 교통안전 증진과 교통흐름 최적화를 목표로 합니다. 이를 달성하기 위해 유럽연합 집행위원회는 데이터 가용성(availability) 확보, 데이터 처리 기술 개발, 데이터 공유체제(EU Mobility Data Space)를 위한 지원을 계획하고 있습니다.


또한 EU 모빌리티 전략에 따르면, 유럽은 드론/무인비행체 운영을 포함한 통합 모빌리티(Multi-modal mobility) 실현을 목표로 하고, 이동성이 약한 승객을 포함하여 모두가 공평(fair)하게 사용할 수 있는, 접근성이 높은 새로운 모빌리티를 지향합니다.


새로운 모빌리티에서의 인공지능 적용 전략은 다음과 같습니다.

  • 항공, 철도, 내륙수로, 육상을 포함한 모든 운송수단에 대한 AI 기술 개발 추진

  • 자율주행 기반 교통흐름 효율 증대 및 환경 부담 저감

  • 유럽 내 R&I 프로젝트 내용 공유를 통해 공통 지식 기반(common knowledge base) 형성

  • 자율주행 도입으로 인한 모빌리티 시스템의 전환(transition) 과정에서 도심 교통의 잠재성 평가

  • 지속가능하고 접근성이 높은 교통수단 및 저공해 차량과 같은 미래 지향적 기술 개발 장려


2021년 중 유럽연합 집행위원회는 ①모빌리티 분야 AI 로드맵, ②표준화 및 상호운용성 관련 기술문건, ③자율주행 차량 기술사양에 대한 시행령을 발표할 예정입니다.

Data driven future demand forecasting for UAM

2020-12-11

Cho Hae Chan

As the public interest of Urban Air Mobility (UAM) increases and the underlying technology for UAM* becomes sophisticated, the need to forecast the future demand of UAM increases. Since the data-driven demand forecasting method has become more accurate than the traditional modeling-based forecasting method, TRUE lab utilized Seoul taxi GPS data to forecast the potential demand for UAM. Our assumption is based on the idea that part of the long-range taxi trip will be replaced by the emerging mobility service, UAM. As the first step in forecasting UAM demand, we considered the case of using existing helipads.

*UAM stands for urban air mobility, of which its use cases are rapid delivery of packages, air metro with pre-determined routes, and door-to-door ride-sharing air taxis.

Data description

We used two datasets in this research; taxi GPS data and helipad location data. Taxi GPS data consists of vehicle coordinates, velocity, direction information of individual taxis operating in the Seoul metropolitan area during April of 2018. We first conducted removal of outlier and imputation of incomplete data, and converted it to taxi on/off events to extract the origin and destination of taxi trips. To calibrate the GPS error and reconstruct the taxi trip trajectory, we carried out the map-matching process of the taxi locations to the actual road links. Helipad location data contains the location information of infrastructure where helicopters can take off and land. There are many types of helipad; military, commercial, hospital, government and public agencies, airport, etc. We have excluded military helipads from our analysis because we are considering commercial UAM applications.

Data-driven demand forecasting for UAM

We used the origin and destination of Seoul taxi trips within the Seoul Metropolitan Area on April 26, 2018, Thursday. Assuming that long-range taxi trip will be partially replaced by UAM, we defined long-range taxi trips as taxi trips with travel distance of 10 km or more and travel time of 30 minutes or more. On April 26, 2018, for instance, there were 87,004 long-range trips (8%) out of 1,108,470 total taxi trips in the Seoul Metropolitan Area. Mean Euclidean distance between origin and destination, trip distance, and travel time of long-range trips are 11.5 km, 19.8 km, and 47.7 minutes, respectively. We further filter out the trips whose origin and destination are within walkable distance from the helipad. We matched the helipads into the hexagonal h3 (level 9) cells, and selected regions within the 3rd order ring of helipad cells to be walkable distance from the helipad (Figure 1 a). For this preliminary analysis, we assigned demand to the closest helipad cells. The number of the helipad-to-helipad trips turned out to be 24,496 (2% of the total taxi trips in Seoul on Apr 26, 2018), and its mean Euclidean distance between origin and destination, trip distance, and travel time were 11.0 km, 19.0 km, 47.3 minutes, respectively.

The above clips show long-range taxi trips (left) and helipad-to-helipad trips for UAM (right) on Apr 26, 2018. We could see the fluctuations of long-range trip demands throughout a day and several high-demand locations such as Incheon international airport, Gangnam, and Yeoui-do.

Frequent helipad-to-helipad OD pairs

To find the helipad locations with more potential UAM demand, we ranked frequent OD-pairs by the number of hourly helipad-to-helipad long-range trips. There are 17 OD pairs with hourly trips more than or equal to 5, which include Incheon international airport, Hapjeong, Yeoui-do, Seoul express bus terminal, Gangnam, Jamsil, Yonsei Severance hospital, and Samsung Seoul hospital.

*OD stands for origin and destination


Contribution

We have presented a data-driven demand forecasting approach for UAM application utilizing large-scale taxi trip data and existing helipad infrastructure location data. This analysis is based on a few simple assumptions, and we plan to expand our scope in future work to UAM routing, fleet rebalancing and scheduling.

대도심지역의 가용공역 및 미래수요의 공간분석을 통한 UAM 운용 및 경제성 평가

2020-11-20

김남우

  • 연구 배경

현존하는 도심 교통 네트워크상에서 시공간적 교통 수요와 공급 사이의 불균형이 심화됨에 따라 교통 수요 증가에 따른 사회적 비용인 교통혼잡비용은 2005년 이후 꾸준히 증가하여 2015년 33.3조에 육박합니다. 기존 육상교통의 한계와 항공기술의 진보는 3차원 도심 환경에서 승객 및 물류 운송 서비스 전반을 포함하는 UAM (Urban Air Mobility) 의 출현을 야기했습니다. 이러한 UAM의 활용을 위해서는, 운용 및 경제적 타당성 (operational and economic feasibility) 에 대한 평가가 선행되어야 합니다

  • 연구 목표

본 연구에서는 UAM에 대한 운용 및 잠재수요측면이 유사한 지역을 클러스터화하여, 도심 공간의 3차원 특성과 UAM 활용을 고려한 도시 구역을 정의하고, 미국 캘리포니아 및 맨하튼 지역에서의 UAM 활용의 경제성을 평가합니다.

  • 데이터 설명

이 연구의 주요 목표 중 하나는 UAM 운용을 위한 도심 인구와 3차원 공간의 상호 작용을 모델링하는 것입니다. 3차원 도심에서의 가용 공역은 building footprint 데이터를 가공하여 확인할 수 있습니다. 아래 Fig.1 과 같이, 3차원 도심공간상에서, 정적 장애물과 지오펜스 버퍼를 고려한 공간을 제외함으로써 3차원 가용 공역을 획득합니다.

Figure 1 (a) available airspace without geofence

Figure 1 (b) available airspace with geofence

그리고 UAM 활용을 위해서는 3차원 도심 공역 뿐만이 아니라, UAM 의 잠재 수요를 고려해야합니다. 이를 위해, 도심 지역의 주간 및 야간 인구의 두 가지 유형의 인구 데이터가 활용되었습니다.

  • Spatial Clustering

SKATER (Assunção et al, 2006)는 그래프 구조를 사용하여 지리 공간적 인접성을 통합하여 유사한 특성의 영역 클러스터를 생성하는 그래프 기반 클러스터링 기술입니다. SKATER는 먼저 노드 인접성을 기반으로 undirected weighted 를 만듭니다. 가 주어지면 edge의 가중치 는 연결된 두 노드의 비 유사성으로 정의됩니다. 그런 다음 Prim의 알고리즘 (Prim, 1957)을 통해 모든 노드에 대한 불일치의 합을 최소화하기 위해 가장자리를 잘라내어 Minimum Spanning Tree (MST)를 얻습니다. 마지막으로 MST는 클러스터 내 제곱합을 최소화하는 하위 트리 집합 (클러스터)으로 분할됩니다. 분석에서 는 Census tract의 집합이며, 는 Rook’s contiguity 기반으로 설정되며, 잠재수요 및 공역 가용성은 를 정의하는 가중치로 사용됩니다.

  • Assunção, R. M., Neves, M. C., Câmara, G., & da Costa Freitas, C., 2006. Efficient regionalization techniques for socio‐economic geographical units using minimum spanning trees. International Journal of Geographical Information Science, 20(7), 797-811.

  • Prim, R. C., 1957. Shortest connection networks and some generalizations. The Bell System Technical Journal, 36(6), 1389-1401.

  • 공역 가용성 및 잠재수요 분포

샌프란시스코와 맨하튼의 공역 가용성 및 잠재수요의 공간적 분포는 아래와 같습니다.

Figure 2(a) San Francisco Airspace Availability

Figure 2(b) San Francisco Potential Demand

샌프란시스코에서는 도심내 북동부 지역을 제외하고, 공역가용성이 비교적 균일한 특성을 보이고 있습니다. 그리고 Embarcadero 및 FiDi가 위치한 상업지구에 잠재수요가 밀집되어 있습니다.

Figure 3(a) Manhattan Airspace Availability

Figure 3(b) Manhattan Potential Demand

맨하튼에서는 북부지역을 제외하고 공역 가용성이 전반적으로 낮기 때문에, 저고도 영공에서 UAM 운용에 제한이 있습니다. 그리고 주요 상업지역인 Midtown 및 FiDi에서 잠재 수요가 매우 집중되어 있습니다.

  • Spatial Clustering 기반 Correspondence Analysis

공역 가용성과 잠재수요 측면이 유사한 지역을 Spatial clustering을 통해 식별하고, 식별된 지역은 Correspondence analysis를 통해 5가지의 카테고리로 분류됩니다.

HH (높은 잠재수요 / 높은 공역 가용성), LL (낮은 잠재수요 / 낮은 공역 가용성), HL (높은 잠재수요 / 낮은 공역 가용성), LH (낮은 잠재수요 / 높은 공역 가용성) 및 미결정.

HH 카테고리는 많은 잠재 고객 기반과 함께 높은 공역 가용성을 가진 가장 이상적인 사례입니다. 유사한 의미에서 LL 카테고리는 제한된 공역과 고객 기반에서 가장 바람직하지 않은 경우입니다. HL과 LH는 공역 제한과 인구 사이에 불균형 한 경우를 나타냅니다.


Figure 4 Spectral Clustering 및 Correspondence Analysis 결과

샌프란시스코의 1, 2번 클러스터와 맨하튼 1번 클러스터는 LH 카테고리로 분류됩니다. 해당 지역은 인프라 검사 또는 수색 및 구조 작업과 같은 적절한 임무등이 수행 될 수 있을것으로 기대됩니다. 그리고, 맨하튼의 주요 상업 지역은 HL 카테고리로 분류됩니다. 해당 지역은 상대적으로 제한된 영공을 가진 큰 잠재 고객 기반을 가진 위험이 높지만 경제성이 높은 지역으로 특징 지을 수 있습니다. 마지막으로, 두 도시 모두 HH 범주가 존재하지 않지만 두 도시의 4번 클러스터는 HH 범주의 강력한 후보가 될 수 있습니다.

  • 맺음말

본 연구의 주요 기여는 공역 가용성과 잠재적 수요를 통합하여 도시 지역에서 UAM의 타당성을 평가하는 것입니다. 이를 통해, 도시 지역의 UAM 활용을 위한 유용한 기반을 제공할 수 있습니다.