설명 가능 그래프 심층 인공신경망 기반 속도 예측 및 인근 도로 영향력 분석 기법

국문 초록 (Abstract)

교통 혼잡을 해결하기 위한 AI 기반 속도 예측 연구는 활발하게 진행되고 있다. 하지만, 인공지능의 추론 과정을 설명하는 설명 가능한 AI의 중요성이 대두되고 있는 가운데 AI 기반 속도 예측의 결과를 해석하고 원인을 추리하는 연구는 미흡하였다. 따라서 본 논문에서는 `설명 가능 그래프 심층 인공신경망 (GNN)`을 고안하여 속도 예측뿐만 아니라, GNN 모델 입력값의 마스킹 기법에 기반하여 인근 도로 영향력을 정량적으로 분석함으로써 혼잡 등의 상황에 대한 추론 근거를 도출하였다. TOPIS 통행 속도 데이터를 활용하여 서울 시내 혼잡 도로를 기준으로 예측 및 분석 방법론을 적용한 후 영향력 높은 인근 도로의 속도를 가상으로 조절하는 시뮬레이션 통하여 혼잡 도로의 통행 속도가 개선됨을 확인하여 제안한 방법론의 타당성을 입증하였다. 이는 교통 네트워크에 제안한 방법론을 적용하고, 그 추론 결과에 기반한 특정 인근 도로를 제어하여 교통 흐름을 개선할 수 있다는 점에 의미가 있다.

다국어 초록 (Multilingual Abstract)

AI-based speed prediction studies have been conducted quite actively. However, while the importance of explainable AI is emerging, the study of interpreting and reasoning the AI-based speed predictions has not been carried out much. Therefore, in this paper, 'Explainable Deep Graph Neural Network (GNN)' is devised to analyze the speed prediction and assess the nearby road influence for reasoning the critical contributions to a given road situation. The model's output was explained by comparing the differences in output before and after masking the input values of the GNN model. Using TOPIS traffic speed data, we applied our GNN models for the major congested roads in Seoul. We verified our approach through a traffic flow simulation by adjusting the most influential nearby roads' speed and observing the congestion's relief on the road of interest accordingly. This is meaningful in that our approach can be applied to the transportation network and traffic flow can be improved by controlling specific nearby roads based on the inference results.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 관련연구
• 2.1 교통 흐름 예측 연구
• 2.2 그래프 구조의 교통 네트워크 연구
• 2.3 설명 가능한 인공지능 연구
• 3. 인근 도로별 영향력 설명 기법 방법론
• 3.1 도로 네트워크 추상화 기법
• 3.2 그래프 심층인공신경망 기반 속도 예측 기법
• 3.3 속도 예측 결과에 대한 인근 도로 영향력 설명 기법
• 4. 방법론 검증
• 4.1 사용 데이터 및 실험 환경
• 4.2 속도 예측 기법 성능 평가
• 4.3 인근 도로 영향력 설명 기법 성능 평가
• 5. 결론
• REFERENCES

참고문헌 (Reference)

1 김동현 ; 황기연 ; 윤영, "심층인공신경망(DNN)과 다각도 상황 정보 기반의 서울시 도로 링크별 교통 혼잡도 예측" 한국ITS학회 18 (18): 44-57, 2019

2 Y. Jia, "Traffic speed prediction using deep learning method" 2016

3 S. Cheon, "The paradigm change of traffic congestion cost estimation and the results of traffic congestion cost estimation in 2017" 11-16, 2020

4 C. Molnar, "Relating the Partial Dependence Plot and Permutation Feature Importance to the Data Generating Process"

5 L. Breiman, "Random forests" 45 : 5-32, 2001

6 Amina Adadi, "Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI)" Institute of Electrical and Electronics Engineers (IEEE) 6 : 52138-52160, 2018

7 J. Cheng, "Long short-term memory-networks for machine reading"

8 Xiaolei Ma, "Long short-term memory neural network for traffic speed prediction using remote microwave sensor data" Elsevier BV 54 : 187-197, 2015

9 K. Xu, "How powerful are graph neural networks?"

10 Monireh Abdoos, "Hierarchical traffic signal optimization using reinforcement learning and traffic prediction with long-short term memory" Elsevier BV 171 : 114580-, 2021

11 J. H. Friedman, "Greedy function approximation : a gradient boosting machine" 29 (29): 1189-1232, 2001

12 R. Ying, "GNN explainer: A tool for post-hoc explanation of graph neural networks"

13 Chanjae Lee, "Context-Aware Link Embedding with Reachability and Flow Centrality Analysis for Accurate Speed Prediction for Large-Scale Traffic Networks" MDPI AG 9 (9): 1800-, 2020

14 A. Bundy, "Catalogue of Artificial Intelligence Tools" Springer 1984

15 M. S. Ahmed, "Analysis of freeway traffic time-series data by using Box-Jenkins techniques" 722 : 1-9, 1979