inet-lab

1. 研究背景
• 現代の生活において公共交通機関は毎日の通勤や通学、観光など様々
な用途で利用されている
• 都市部、地方に拘らず、重要な役割を果たしている
• 公共交通機関においては利便性が利用者の利用意欲に直接的な影響を
与えることが示されている[1]
• 路線バスの利便性を向上させる方法
• 利用者への到着時刻予測の提供
1
[1] R. G. Mugion, M. Toni, H. Raharjo, L. Di Pietro, and S. P. Sebathu, “Does the service quality of urban public transport
enhance sustainable mobility?” Journal of Cleaner Production, vol. 174, pp. 1566–1587, 2018.
[2] https://developers.google.com/transit/ gtfs-realtime/,
[3] https://www.sankeibiz.jp/business/news/191128/prl1911281512136-n1.htm
GTFS Realtime[2] 群馬中央バス[3]

2. 路線バスの到着時刻予測についての調査[4]
• 路線バスの利用者5074人中3866人(約77%)が過去6ヶ月間の間で
誤った到着時刻予測の提示を経験したと回答
• 提示された予測から、どの程度の差でエラーと判断するかの調査結果
2
[4] A. Gooze, K. Watkins, and A. Borning, “Benefits of real-time transit infor- mation and impacts of data accuracy on
rider experience,” Transportation Research Record, no. 2351, pp. 95–103, 2013.
11%
27%
37%
12%
8% 7%

3. 路線バスの到着時刻予測についての調査[4]
• 路線バスの利用者5074人中3866人(約77%)が過去6ヶ月間に誤った到着
時刻予測の提示を経験したと回答
• 提示された予測から、どの程度の差でエラーと判断するかの調査
3
[4] A. Gooze, K. Watkins, and A. Borning, “Benefits of real-time transit infor- mation and impacts of data accuracy on
rider experience,” Transportation Research Record, no. 2351, pp. 95–103, 2013.
11%
27%
37%
12%
8% 7%
5分未満: 全体の約75%
提示された到着時刻予測のエラーが原因で約9%の利用者が
以前より利用しなくなるという調査結果
路線バスにおいて到着時刻予測を用いて利便性を向上させるには
高い精度で予測できる手法が必要
[4] A. Gooze, K. Watkins, and A. Borning, “Benefits of real-time transit infor- mation and impacts of data accuracy on
rider experience,” Transportation Research Record, no. 2351, pp. 95–103, 2013.

4. LSTMベースのバス到着時刻予測[5]
1. 過去の運行情報と経路情報を用いたLSTMベースの手法[7]
• 特徴量
• 過去の複数の時間帯の始点から終点までの運行情報
• 静的な経路情報
• バス停の位置，交差点の位置など
• one-hot codingでベクトル空間に符号化
• 比較対象
• k近傍法，SVM(Support Vector Machine)など6種類
• 結果
• LSTMが機械学習ベースの手法の中で，到着時刻予測に最も適している
4
[5]Pang, J., Huang, J., Du, Y., Yu, H., Huang, Q., & Yin, B. (2019). Learning to Predict Bus Arrival Time from Heterogeneous Measurements via
Recurrent Neural Network. IEEE Transactions on Intelligent Transportation Systems, 20(9), 3283–3293. https://doi.org/10.1109/TITS.2018.2873747

5. ConvLSTMベースのバス到着時刻予測[6]
2. 過去の運行情報を用いたConvolutional LSTMベースの手法[8]
• 重み演算に畳み込み演算を用いるConvolutional LSTMを用いること
で従来のLSTMを用いた手法よりも高い精度で予測可能
5
[6] N. C. Petersen, F. Rodrigues, and F. C. Pereira, “Multi-output bus travel time prediction with convolutional LSTM neural network,” Expert Systems with
Applications, vol. 120, pp. 426–435, 2019.
Model 平均絶対誤差 [min] 平均絶対パーセント誤差 [%]
LSTM 2.48 5.02%
ConvLSTM 1.99 4.19%
• 評価実験
• デンマーク コペンハーゲン中心部の1路線を対象に評価
• データセット: 合計24週間
• 学習データ: 23週間 テストデータ: 末尾1週間
- 0.49 - 0.83

6. 既存手法[6]の問題点
1. 時刻表ベースの路線の特徴が考慮されていない
• 頻度ベースの路線で評価している
• 早着によるバス停での意図的な停車などが起こらない
• 時刻表ベースの路線で走行時間と停車時間を同一のLSTMで学習する
と、それぞれが持つ時系列の特徴が損なわれる
2. 運行情報のみを特徴量としているため天候の影響によって運行が乱
れた際に予測精度が低下
• 天候、気温、降水量などの気象情報が路線バスの走行時間や停車時
間に直接影響を与えることが示されている[7, 8]
6
[6] N. C. Petersen, F. Rodrigues, and F. C. Pereira, “Multi-output bus travel time prediction with convolutional LSTM neural network,” Expert Systems with
Applications, vol. 120, pp. 426–435, 2019.
[7] V. W. Stover and E. D. McCormack, “The impact of weather on bus ridership in Pierce County, Washington,” Journal of Public Transportation, vol. 15, no.
1, pp. 95–110, 2012.
[8] M. Hofmann and M. O’Mahony, “The impact of adverse weather conditions on urban bus performance measures,” in IEEE Conference on Intelligent
Transportation Systems, Proceedings, ITSC, vol. 2005, 2005, pp. 84–89.

7. 研究目的
1. 別々のモデルでの走行時間と停車時間の予測結果を結合して最終的な
出力とするモデルを提案
• 既存手法を時刻表ベースのバス路線に最適化
2. 既存手法で扱われていなかった気象情報を新たに考慮
• 天候に起因する運行の乱れに対してロバストな手法
3. Bidirectional LSTM[9]が提案手法において従来のLSTMよりも有用で
あることを示す
• Bidirectional LSTM
• 時系列に対して順方向と逆方向の2つ中間層を持つLSTM
• これまでに様々な時系列予測でLSTMよりも高い性能であることが報告
されている[10, 11]
7
[9] M. Schuster and K. K. Paliwal, “Bidirectional recurrent neural networks,” IEEE Transactions on Signal Processing, vol. 45, no. 11, pp. 2673–2681, 1997.
[10] K. A. Althelaya, E. M. El-Alfy, and S. Mohammed, “Evaluation of bidi- rectional lstm for short-and long-term stock market prediction,” in 2018 9th
International Conference on Information and Communication Systems (ICICS), 2018, pp. 151–156.
[11] J. V. Jeyakumar, E. S. Lee, Z. Xia, S. S. Sandha, N. Tausik, and M. Sri- vastava, “Deep convolutional bidirectional lstm based transportation mode
recognition,” in Proceedings of the 2018 ACM International Joint Conference and 2018 International Symposium on Pervasive and Ubiquitous Computing
and Wearable Computers, 2018, pp. 1606–1615.

8. 本研究における到着時刻の定義
• バス停Aからバス停Bまでの所要時間
8
Link 0 Link 1 Link 2 ・・・ Link u
Link 3
走行時間 停車時間
A B
! = #
$%&'
(
)*+,-./01*2+34
• )*+,-./01*2+: 各走行時間，停車時間
• 6+: 各走行区間，停車地点の識別子(リンク)
• . : バス停Bの直前の走行時間

9. 提案手法: 入出力におけるパラメータ
9
Links
!"#"!"$%"_#!"'("$%)
!"#"!"$%"_#!"'("$%)×+$,(-_-+."/-",/
走行時間
停車時間
1. !"#"!"$%"_#!"'("$%) = 時間幅(60分)
2. +$,(-_-+."/-",/ = 8
3. :(-,(-_-+."/-",/ = 3
入力
;
!"#"!"$%"_#!"'("$%)×:(-,(-_-+."/-",/
Links
出力(予測値)
; + =

10. 提案手法の流れ
10
Combine
気温
天候
Combine
Combine
走行時間
停車時間
Encoder
Decoder
BiConvLSTM
BiConvLSTM
Encoder
Decoder
過去運行データ
気象データ
降水量

11. 学習データの分割
11
0 1 2 . 7 8 9 10 11 12 .
5 !""# !""# !""# . !""# !""# !""# !""# !""# !""# .
4 !""$ !""$ !""$ . !""$ !""$ !""$ !""$ !""$ !""$ .
3 !""% !""% !""% . !""% !""% !""% !""% !""% !""% .
2 !""& !""& !""& . !""& !""& !""& !""& !""& !""& .
1 !""' !""' !""' . !""' !""' !""' !""' !""' !""' .
x_train (1, 8, 5) y_train (1, 3, 5)
x_train (2, 8, 5) y_train (2, 3, 5)
x_train (3, 8, 5) y_train (3, 3, 5)
Time Sequence
Links
• ()*+,_,(./0,/*0 = 2
• 3+,*+,_,(./0,/*0 = %

12. 使用する特徴量の選択
12
!"#"!"$%"_#!"'("$%)
Links
× +$,(-_-+."/-",/
Weather
Temp
Precipitation
走行時間
4 columns
Weather
Temp
Precipitation
!"#"!"$%"_#!"'("$%)
Links × +$,(-_-+."/-",/
停車時間
時刻表との差
(1 ≤)
5 columns
• 走行時間
1. 走行時間 [秒]
2. 天候
• (晴れ、曇り、雨)
3. 気温 [ C]
4. 降水量 [mm]
• 停車時間
1. 停車時間 [秒]
2. 天候
3. 気温 [ C]
4. 降水量 [mm]
5. 時刻表との差 [秒]
= 時刻表の出発時刻-到着時刻

13. 到着時刻予測ネットワーク
• 実装
• Python 3.7.5
• Keras Tensorflow 2.1.0
• オプティマイザー
• RMSProp
• ロス関数
• 平均二乗誤差(MSE)
• 変更点
1. 4層のConvLSTMに
Bidirectional LSTMを適用
2. 1層目のConvLSTMの畳み込
みフィルタの幅とストライ
ドの幅を変更
• 走行時間: 4
• 停車時間: 5
13
Bidirectional(ConvLSTM2D)
BatchNormalization
BatchNormalization
Dropout
Bidirectional(ConvLSTM2D)
Dropout
BatchNormalization
Flatten
Reshape
Bidirectional(ConvLSTM2D)
Dropout
BatchNormalization
Bidirectional(ConvLSTM2D)
TimeDistributed
入力 出力
RepeatVector

14. 評価実験: 対象路線
• 選定条件
1. 十分な距離を有した路線: 約15 km (既存手法: 約14 km)
2. 午前、午後の運行が乱れやすいピークの時間帯が存在する
3. 終点から他の公共交通機関への乗り換えが可能
14
始点:神戸国際大学前
終点:新神戸駅

15. データセットについて
• 過去運行データ
• 2020年 1月-9月末 (39週間)
• バスから取得した0.5秒毎の位置情報から作成
• 気象データ (気象庁から取得)
• 兵庫県神戸市(各1時間毎)
• 天候
• 気温
• 降水量
• 評価対象
• 学習データ: 38週間
• テストデータ: 末尾1週間
• 9月24日-9月30日
• パラメータ
• reference_frequency = 60分
• input_timesteps = 8
• output_timesteps = 3
15
天気 観測回数
快晴 84
晴れ 2879
薄曇り 24
曇り 2661
雨 880
雷 41
雪 4
みぞれ 2
にわか雨 1
晴れ: 2987
雨: 928
曇り: 2661

16. 比較手法
• 既存手法
1. Historical Average
• 曜日、時間帯に基づく平均値をそのまま予測値にする手法
• 予測難易度の指標
2. PureLSTM[8]
• 比較手法において、通常のLSTMを使用
3. ConvLSTM[8]
• 比較手法においてConvoutional LSTMを使用
• 提案手法
4. Model1
• 既存手法に3種類の気象情報を追加
• 走行時間，停車時間を同一モデルで予測
5. Model2
• Bidirectional LSTMを適用していない提案手法
6. Model2_Bi
• Bidirectional LSTMを適用した提案手法
16
[8] N. C. Petersen, F. Rodrigues, and F. C. Pereira, “Multi-output bus travel time prediction with convolutional LSTM neural network,” Expert Systems with Applications, vol. 120, pp. 426–435, 2019.

17. 評価指標
1. 平均絶対誤差 [分]
2. 平均絶対パーセント誤差 [%]
17
• 時間帯!における"# = 0 ∼ &、始点から終点までのリンク所要時間の総
和を比較することで評価を行う。
実測値 予測値

18. 1週間全体の予測精度評価
18
Model MAE [min] MAPE [%]
(1) Historical Average 2.900 7.987
(2) PureLSTM 2.730 7.178
(3) ConvLSTM 2.643 6.944
(4) Model1 2.454 6.492
(5) Model2 2.239 6.055
(6) Model2_Bi 2.054 5.584 小
大
誤差
• 既存手法
• (3)ConvLSTM < (2)PureLSTM < (1)Historical Average
• 過去の平均では予測が難しい → 都市部の路線
• Petersenらの主張と一致 → 評価対象の路線として適当
• 提案手法
• (4)Model1 < (3)ConvLSTM
→気象情報の有効性
• (6)Model2_Bi < (5)Model2 < (4)Model1
→2つのモデルを使用することの有効性
→Bidirectional LSTMの有効性

19. 評価対象路線におけるピークの時間帯
19
午前のピーク
(9:00-11:00)
午後のピーク
(18:00)

20. ピークの時間帯の評価
• 各ピークの時間帯の比較 (平日のみ)
20
評価対象 Model MAE [min] MAPE [%]
午前ピーク
(9:00-11:00)
ConvLSTM 4.043 9.453
Model2_Bi 2.940 7.035
午後ピーク
(18:00)
ConvLSTM 2.101 5.414
Model2_Bi 0.845 2.319
評価対象 MAE減少幅 [min] MAPE減少幅 [%]
1週間全体 0.589 1.627
午前ピーク 1.103 2.418
午後ピーク 1.256 3.095
• 評価対象別の誤差減少幅
• ピークの時間帯は，環境要因が与える影響が大きい
→提案手法で効果的に学習できているため誤差の減少幅がより大きい

21. 天候に基づく評価: 評価対象
21
日付 降雨 運行の乱れ Historical Average [%]
9/25(金) ○ 大 11.701
9/26(土) 中 7.657
9/29(火) 小 6.535
評価対象 Model MAE [min] MAPE [%]
9/25(金) ConvLSTM 4.169 9.973
9/26(土) ConvLSTM 2.446 6.390
9/29(火) ConvLSTM 2.011 5.522
• 評価対象(3日)
• ConvLSTMの精度比較

22. 評価: 雨によって運行が乱れた日
22
評価対象 Model MAE [min] MAPE [%]
9/25(金)
ConvLSTM 4.169 9.973
Model2_Bi 2.717 6.810
-1.452 -3.163

23. 評価: 天候は安定しているが一部運行が乱れた日
23
評価対象 Model MAE [min] MAPE [%]
9/26(土)
ConvLSTM 2.446 6.390
Model2_Bi 1.647 4.431
-0.799 -1.959

24. 評価: 天候と運行が共に安定した日
24
評価対象 Model MAE [min] MAPE [%]
9/29(火)
ConvLSTM 2.011 5.522
Model2_Bi 1.631 4.634
-0.380 -0.888

25. 誤差減少幅のまとめ
• 比較対象別の誤差減少幅
25
評価対象 MAE減少幅 [min] MAPE減少幅 [%]
1週間 0.589 1.627
午前ピーク 1.103 2.418
午後ピーク 1.256 3.095
9/25(金) 1.452 3.163
9/26(土) 0.799 1.959
9/29(火) 0.380 0.888
• 特に午後のピークと天候により運行が乱れた際に大きく誤差が減少
• 天候に起因する運行の乱れに対してロバスト
• 天候が安定した日においても誤差が減少
• 提案手法の汎用性を示した