Tel2Veh: Fusion of Telecom Data and Vehicle Flow to Predict Camera-Free Traffic via a Spatio-Temporal Framework (24.05) CVPR

1. 문제의식

• 차량 흐름 예측은 차량 관리에 중요한 부분
• 차량 센서 범위의 한계로 제약이 크지만, mobile network coverage를 활용
  → 도로에서 모바일 사용자들의 네트워크 활동(Cellular Traffic)을 차량 흐름의 대용으로 사용 가능
  • 여기서 문제점이, Cellular Traffic 정보가, 차량 흐름과 직접적으로 일치하지 않을 가능성 존재
  • Cellular Traffic 정보는, 차량 운전자 뿐만 아니라, 보행자의 데이터도 포함하기 때문

    Contribution
    Cellular Traffic을 활용하여 카메라가 없는 지역(차량 흐름을 알기 어려운 지역)에서 차량 흐름을 예측하는 task 제안
    Geographical Cellular Traffic(GCT) Flow와 Vehicle Flow으로 구성된 Tel2Veh 데이터셋 구축

(a) 카메라 장착 지역

• 과거 데이터: 수집된 과거 Cellular Traffic Flow와 Vehicle Flow 수집
• Fusion Framework로 미래 시점의 Vehicle Flow 예측

(b) 카메라 미장착 지역

• 현재데이터: 수집된 현재의 Cellular Traffic Flow만 수집
• Fusion Framework로 미래 시점의 Vehicle Flow 예측

2. 데이터 형태

1. GCT(Geographical Cellular Traffic) Flow 데이터는 이동통신사로부터 제공받음
2. Vehicle Flow(차량 흐름) 데이터는 연구진이 직접 카메라를 설치하여 촬영한 영상에서 차량을 검출(detection)하고 계수(count)하는 방식으로 수집

2.1 GCT Flow - csv

특정 도로 구간에서, 정해진 시간 간격 동안 발생한 GCT의 총 횟수 (5분 간격)

1. 차량 흐름 데이터 수집
   • 통신 회사에서 GCT 데이터 가져오기
     

International Mobile Station Equipment Identity (IMEI), latitude, longitude, and log time.

→ IMEI는 개인 식별자 데이터라 삭제

• 이 논문에서는 49개의 구간 중 9개의 도로 구간을 선택하여 카메라 설치 후 진행→ 이 때 road segment를 20m x 20m로 설정 (grid cell로 나눔)
  
• 특정 시간대 GCT 양 많음 (출퇴근 시간, 점심시간 대 ..)
  GCT 데이터 형태
  gct flow와 vehicle flow는 서로 유사한 형태를 띄지만 다른 점 존재

2.2 Vehicle Flow - csv

특정 도로 구간을 일정 시간 동안 통과하는 차량의 수 (5분 간격)

• 차량 흐름 Detection
  - BOT-SORT, YOLOv7 사용
  - BoT-SORT: Robust Associations Multi-Pedestrian Tracking는 다중 객체 추적(MOT)을 위한 알고리즘 → 객체의 움직임과 외형 정보를 결합하여 객체를 정확하게 식별하고 추적
  vehicle flow 데이터 형태
  GCT Flow와 Vehicle Flow data 간의 피어슨 상관계수 값
  화살표 표시된 부분에서 보시다시피, 데이터 수집 과정에서 오류 존재하는 부분 있음

3. Spatio-Temporal Fusion Framework

3.1 Task Definition

1. N개의 GCT (Geographical Cellular Traffic) 흐름과 M개의 차량 흐름을 과거 시간 간격 T_{in} 동안 수집
2. 위 데이터를 바탕을 N개의 미래 차량 흐름 예측 (49개 도로 구간에 대해서)
   Overview of the two-stage fusion framework

3.2 Stage 1: Feature Extraction (1단계: 특징 추출)

• STGNN(Spatio - Temporal GNN) 활용
• STGNN은 1D Convolution Network에서 K개의 커널을 사용하여 시공간적 입력 N개의 위치에서 D개의 관측값, 크기 N x D을 다중 채널 특징 맵(크기 K x N x D)으로 변환 각 맵은 서로 다른 시간 패턴을 포함할 수 있다
• output : multi-channel feature maps

3.3 Stage 2: Fusion and Prediction

• MGAT (Multi-Channel Graph Attention) Fusion 활용
• 우리의 input은 stage 1으로부터 나온 multi-channel feature maps이기 때문에 일반 GAT보다 MGAT가 효과적
  예측하고자 하는 n번째의 GCT 통행 수
  notation 설명 부분

3.4 Loss Function

람다 : 학습 가능한 파라미터, 두 loss간의 균형 맞춤
Vehicle Flow에 대한 ground truth와 예측값의 MAE loss
GCT Flow에 대한 ground truth와 예측값의 MAE loss

4. Experiment

4.1 Setting

STGNN 계열의 모델들을 3가지 선정하여, 이 모델이 프레임워크에 통합되기 전 후를 비교하여 향상도를 나타낸다.

이를 통해 이 프레임워크의 효과를 입증함

4.2 baselines

1. GWNET: Graph WaveNet for Deep Spatial-Temporal Graph Modeling

2. ESG: Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting

3. MFGM: TelTrans: Applying Multi-Type Telecom Data to Transportation Evaluation and Prediction via Multifaceted Graph Modeling
   w/o는 프레임워크 통합하기 전의 성능, w는 프레임워크 통합 이후의 성능을 나타내며, IR은 전후의 성능 비교를 나타낸 Improvement Ratio를 나타낸다.

   전반적으로 10%가 넘는 성능을 보였으며, 현재 STGNN을 활용한 교통량 예측에서 우수한 성능을 보이는 MFGM 모델에서는 20% 가까이의 성능 향상을 보이는 우수한 프레임워크를 입증한다.
   9월 26일 도로 ID 37에 대한 15분 간격의 예측 결과

5. Conclusion

이로써, 교통량 예측 task에서 Tel2Veh라는 데이터셋과 함께 활용 프레임워크를 제공하며, 시계열 예측으로 많이 사용되는 STGNN의 계열의 모델들의 성능 향상에 기여했다.