論文読み会 SDM2021 | LDFeRR: A Fuel-efficient Route Recommendation Approach for Long-distance Driving Based on Historical Trajectories

論文読み会のための資料

(A slide for the paper-reading group at my company.)

Transcript

1. 読む人: @cocomoff @論文読み会 2021/7/8
2. 概要 カーボンニュートラル時代では，長距離トラックなどの車両は低燃費な (Fuel- efficient) 経路 を選ぶことが重要であるが，長距離経路は市内の経路探索 (e.g., Google Map) とは異なった特徴を持つ (1) MLPとAttention + GRUを使って燃料消費量を予測する (2) 予測した値からA*探 索の評価値を学習・計算する という手法を提案・評価 (Long-distance Driving Fuel- efficient Route Recommendation (LDFeRR)) 1/17
3. A*アルゴリズム 地点 を評価値 の順で展開する探索アルゴリズム : スタートから現在地 までのコスト : 現在地 からゴールまでの推定コスト 2/17
4. 提案手法LDFeRRのブロック図 3/17
5. 目次 言葉の定義・問題定義 提案手法 概要 特徴抽出 コスト とMLP コスト とBiGRU アルゴリズム: 普通のA*に上の を使う 実験と結果 4/17
6. 言葉の定義・問題定義 グラフ 頂点 (位置) には緯度経度 が対応している 適当にマップマッチングされている前提 論文ではあまり関係がない (軽く触れられているだけ) 経路 : 位置の系列 (出発地 ，目的地 ) 軌跡 : 位置 と通過時刻 のペアの系列 クエリ : から時刻 に出発し， まで移動したい気持ち 問題 と が与えられたとき，最も低燃費な経路 を求める 5/17
7. 目次 言葉の定義・問題定義 提案手法 概要 特徴抽出 コスト とMLP コスト とBiGRU アルゴリズム: 普通のA*に上の を使う 実験と結果 6/17
8. 提案手法 | 概要 LDFeRRはDeepとA*を融合した枠組みである 特徴抽出モジュール (左側のブロック) 過去の軌跡から「道路」「時間」「天気」の特徴 を抽出する ついでに既知コスト を評価する 将来コストの予測モジュール 経路と の情報をAttention + BiGRUに食わせて を予測する 全体として通常のA*っぽいアルゴリズムを実行する 7/17
9. 提案手法 | 特徴抽出 著者らの主張と例 長距離移動では「都市間交通」と「都市内交通」が両方含まれるため，通常の経路 探索/推薦 (市内) を利用すると，非効率である 例: 経路周辺のPOI (Point-of-Interest) が燃料消費量に影響すると言われているけど， 都市間交通 (e.g., 高速道路) ではPOI情報が少ない 提案: 利用する特徴をいろいろ突っ込めば : 8/17
10. 提案手法 | コストとMLP 特徴 (連続，カテゴリ) が混ざっているので，正規化と埋め込みを行う [1] 行った結果の特徴ベクトルを と表す Observable cost の推定 既に消費した量 + ある辺 を時刻 に移動する際の予測量 予測すればいいので普通のMLPを使う: MLPの学習は過去履歴で実際に利用した燃料との二乗誤差最小化 9/17 [1] C. Guo, and F. Berkhahn, Entity Embeddings of Categorical Variables, CoRR, abs/1604.06737 (2016).
11. 提案手法 | コストとBiGRU 既知の軌跡が利用できる よりも は推定が難しい [2] の考え方を用いて，目的地の top- 最短経路を計算した上で推定する top- 最短経路の計算 [3]: , タスク: 経路 (頂点のリスト) を受け取り，消費量を推定する 系列モデリングタスクなので，Attention + BiGRUを用いる (0.5pぐらいBiGRUの式とかAttentionとか出てくるけど省略) 頂点ペア間 ( ) の推定量と実消費量の二乗誤差を最小化 10/17 [2] N. Wu, J. Wang, W. X. Zhao, and Y. Jin, Learning to Effectively Estimate the Travel Time for Fastest Route Recommendation (CIKM2019) [3] L. Chang, X. Lin, L. Qin, J. X. Yu, and J. Pei, Efficiently Computing Top-K Shortest Path Join (EDBT2015)
12. 目次 言葉の定義・問題定義 提案手法 概要 特徴抽出 コスト とMLP コスト とBiGRU アルゴリズム: 普通のA*に上の を使う 実験と結果 11/17
13. 実験 | データセット Large real world dataset FAW (First Automobile Works); 2018/1/1-12/31 OpenStreetMap (グラフ) + FastMapMatching (マップマッチング) training, validation, test data を 7:1:2 に分割 12/17
14. 実験 | 比較手法 GreenGPS [4] 過去の燃料消費量履歴から計算する EcoTour [5] 辺に過去データから算出するeco-weightを載 せて計算する FeRR-GT [6] ゲーム理論に基づく手法 GreenPlanner [7] POIの数に基づくヒューリスティ ック (→みたいなアプリ) 13/17 [4] R. K. Ganti, N. Pham, H. Ahmadi, S. Nangia, and T. F. Abdelzaher, GreenGPS: a participatory sensing fuel-efficient maps application (MobiSys2010) [5] O. Andersen, C. S. Jensen, K. Torp, and B. Yang, EcoTour: Reducing the Environmental Footprint of Vehicles Using Eco-routes (MDM2013) [6] C. Lo, C. Chen, J. Hu, K. Lo, and H. Cho, A Fuel Efficient Route Plan App Based on Game Theory (IoTaaS2017) [7] Y. Ding, C. Chen, S. Zhang, B. Guo, Z. Yu, and Y. Wang, GreenPlanner: Planning personalized fuel-efficient driving routes using multi-sourced urban data (PerCom2017)
15. 実験 | 評価結果 評価指標: Saving (距離あたり), Improvement (燃料消費量比率) short; 50km未満 / long; 100km以上 推測のパラメータ は ぐらいで良い 14/17
16. 実験 | 特徴のablation study (A) slope (B) highway mileage ratio (C) idling time (D) BiGRUをGRUにする (E) Attentionの有無 (A)は に，(B)と(C)はGRU通した後の で用いている 15/17
17. 実験 | Case Study 赤色が燃料efficient，緑色が最短経路，青色が経験者が選んだ経路 16/17
18. まとめ A*探索の評価値 の2つの関数をNNで計算する (これは面白い， end-to-endとかも最近はありそう) いろいろ特徴量使っているけどそこは別になんでもいい (たぶん) 前半 は過去のデータがあるので実測に近い 将来予測 は何個かのパターンから推定する 目的は過去データに基づいて燃料消費が少ない経路を選ぶこと (この分野では研究 がされてきている分野らしい) 手法はそんなに複雑ではないが目的が今風になっている (重要?) 結果はめっちゃ面白いわけではない (仕方ない) 17/17