Traffic Theory Inspired Spatiotemporal and Multimodal Deep Learning Models for Trustworthy Short-Term Urban Traffic Forecasting

Φαφουτέλλης, Παναγιώτης; Fafoutellis, Panagiotis

dc.contributor.author	Φαφουτέλλης, Παναγιώτης	el
dc.contributor.author	Fafoutellis, Panagiotis	en
dc.date.accessioned	2024-08-29T08:18:11Z
dc.date.available	2024-08-29T08:18:11Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60033
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27729
dc.rights	Default License
dc.subject	Traffic forecasting	en
dc.subject	Model actionability	en
dc.subject	Multimodal forecasting	en
dc.subject	Multitask learning	en
dc.subject	Physics-informed neural networks	en
dc.subject	Πρόβλεψη κυκλοφορίας	el
dc.subject	Εεφαρμοσιμότητα μοντέλου	el
dc.subject	Πολυτροπική πρόβλεψη	el
dc.subject	Μάθηση πολλαπλών διεργασιών	el
dc.subject	Νευρωνικά δίκτυα με βάση τη φυσική	el
dc.title	Traffic Theory Inspired Spatiotemporal and Multimodal Deep Learning Models for Trustworthy Short-Term Urban Traffic Forecasting	en
dc.title	Αξιόπιστη Βραχυπρόθεσμη Πρόβλεψη Κυκλοφορίας σε Αστικά Δίκτυα με Χωροχρονικά και Πολυτροπικά Μοντέλα Βαθιάς Μάθησης Εμπνευσμένα από τη Θεωρία της Κυκλοφοριακής Ροής	el
dc.contributor.department	Transportation Planning and Engineering	el
heal.type	doctoralThesis
heal.classification	Traffic Forecasting	en
heal.classification	Traffic Engineering	el
heal.classification	Πρόβλεψη Κυκλοφοριακών Συνθηκών	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-02
heal.abstract	Στην παρούσα διδακτορική διατριβή προτείνεται ένα πλήρες μεθοδολογικό πλαίσιο και μια συνοδευτική εργαλειοθήκη μεθόδων και εννοιών για την βραχυπρόθεσμη πρόβλεψη της κυκλοφορίας σε αστικά οδικά δίκτυα, που στόχο έχουν να αυξήσουν την ακρίβεια, την αξιοποιστία και τη εφαρμοσιμότητα των μοντέλων Βαθιάς Μάθησης στην διαχέιριση κυκλοφορίας βασιζόμενα σε χαρακτηριστικά όπως η πολυτροπικότητα και η αιτιότητα και σε στοιχεία της θεωρίας της Κυκλοφοριακής Ροής. Συγκεκριμένα αναπτύσσεται ένα πολυτροπικό πλαίσιο πρόβλεψης βασισμένο στην έννοια των Πολυεπίπεδων Δικτύων (Multiplex Networks) για την πρόβλεψη σε αστικά οδικά δικτύα λαμβάνοντας υπόψη χωροχρονικές σχέσεις μεταξύ των δύο εξεταζόμενων μέσων (οδική κυκλοφορία και ζήτηση του μετρό). Προς την κατεύθυνση της διεύρυνσης της πρόβλεψης σε επίπεδο δικτύου, αναπτύσσονται νευρωνικά δίκτυα πολλαπλών εξόδων, βασισμένα στις αρχές της Μάθησης Πολλαπλών Διεργασιών, τα οποία είναι σε θέση να παρέχουν προβλέψεις χρόνων διαδρομής για πολλαπλές διαδρομές σε όλο το δίκτυο, χρησιμοποιώντας ένα ενιαίο μοντέλο και δεδομένα από πολλαπές πηγές κυκλοφοριακών δεδομένων. Ακόμα, για να ενισχυθεί η αξιοπιστία της διαδικασίας πρόβλεψης, εφαρμόζεται η προσαρμογή Βαθιάς Μάθησης της αιτιότητας Granger, το μοντέλο Νευρωνικού Granger, για την ανακάλυψη αιτιωδών σχέσεων μεταξύ των θέσεων του οδικού δικτύου. Επιπλέον, ενσωματώνονται πτυχές της θεωρίας της κυκλοφοριακής ροής σε ένα αιτιώδες και πολλαπλών διεργασιών μοντέλο πρόβλεψης με βάση τη Φυσική (Physics-Informed Neural Network), χρησιμοποιώντας μια καινοτόμο συνάρτηση απωλειών εμπνευσμένη από τη θεωρία της Κυκλοφοριακής Ροής, η οποία, εκτός από το σφάλμα πρόβλεψης, λαμβάνει υπόψη την απόσταση των προβλέψεων από το αντίστοιχο θεμελιώδες διάγραμμα. Το παραπάνω πλάισιο εφαρμόζεται σε δεδομένα τροχιών τμημάτων από την πόλη Xi’an της Κίνας και σε κυκλοφοριακά δεδομένα και δεδομένα ζήτησης μέσων μαζικής μεταφοράς από την ευρύτερη περιοχή των Αθηνών. Τα αποτελέσματα αποκαλύπτουν σημαντικά κυκλοφοριακά μοτίβα που περιγράφουν τη μηχανική του οδικού δικτύου και έχουν τη δυνατότητα να αυξήσουν την προβλεψιμότητα των κυκλοφοριακών συνθηκών, όπως υποδεικνύεται από τα αντίστοιχα πειράματα. Ακόμα, η ανίσχευση σχέσεων αιτίότητας και η ενσωμάτωση βασικών γνώσεων της Κυκλοφορίακής Ροής στην συνάρτηση απωλειών αυξάνει σημαντικά τόσο την ακρίβεια και την αξιοπιστία των βραχυπρόθεσμων προβλέψεων, όσο και την ανθεκτικότητα του μοντέλου σε θορυβώδη δεδομένα. Η μελλοντική έρευνα θα επικεντρωθεί στην αξιολόγηση της δυνατότητας μεταφοράς των παραπάνω δομών σε άλλες τοποθεσίες του ίδιου οδικού δικτύου και σε άλλα οδικά δίκτυα, καθώς και στη χρήση πιο σύνθετων δομών και τεχνικών Βαθιάς Μάθησης, προκειμένου να βελτιωθεί περαιτέρω η απόδοση πρόβλεψης. Τέλος, θα επιχειρηθεί ο συνδυασμός όλων των παραπάνω δομών σε ένα θεωρητικά ενημερωμένο, αιτιώδες, πολυτροπικό και σε επίπεδο δικτύου πλαίσιο πρόβλεψης.	el
heal.abstract	In this doctoral dissertation, a complete methodological framework and an associative toolkit of methods and concepts are proposed for the problem of short term urban traffic forecasting that aim to increase the accuracy, trustworthiness and actionability of deep learning models for traffic management based on features such as multimodality and causality and on aspects of Traffic Flow Theory. Specifically, a multimodal forecasting framework based on the concept of Multiplex Networks is developed for urban road networks, taking into account spatio-temporal relationships between the two considered modes (road traffic and metro demand). Towards the extension to network-level forecasting, multiplex neural networks based on the principles of Multitask Learning are being developed, which are able to provide travel time forecasts for multiple routes across the network, using a single model and data from multiple traffic data sources. Moreover, to enhance the trustworthiness of the prediction process, the Granger Causality Deep Learning adaptation, Neural Granger, is applied to detect causal relationships between road network locations. In addition, aspects of traffic flow theory are incorporated into a causal and multitask Physics-Informed Neural Network forecasting model, using an innovative loss function derived from Traffic Flow Theory, which, in addition to the prediction error, takes into account the distance of the forecasts from the corresponding fundamental diagram. The above framework is applied to segment trajectory data from the city of Xi'an, China, and to traffic and public transport demand data from the greater area of Athens. The results reveal important traffic patterns that describe the mechanics of the road network and have the potential to increase the predictability of traffic conditions, as indicated by the corresponding experiments. Furthermore, the detection of causal relations and the incorporation of basic knowledge of Traffic Flow into the loss function significantly increases both the accuracy and trustworthiness of the short-term predictions and the robustness of the model to noisy data. Future research will focus on evaluating the feasibility of transferring these structures to other locations on the same road network and other road networks, as well as using more complex structures and Deep Learning techniques to further improve the prediction performance. Finally, an attempt will be made to combine all the above structures into a theoretically informed, causal, multimodal and network-level prediction framework.	en
heal.advisorName	Vlahogianni, Eleni
heal.advisorName	Βλαχογιάννη, Ελένη
heal.committeeMemberName	Γκόλιας, Ιωάννης	el
heal.committeeMemberName	Γιαννής, Γιώργος	el
heal.committeeMemberName	Κεπαπτσόγλου, Κωνσταντίνος	el
heal.committeeMemberName	Σπυροπούλου, Ιωάννα	el
heal.committeeMemberName	Κοπελιάς, Παντελεήμων	el
heal.committeeMemberName	Γερολιμίνης, Νικόλαος	el
heal.committeeMemberName	Golias, Ioannis	en
heal.committeeMemberName	Yannis, George	en
heal.committeeMemberName	Kepaptsoglou, Konstantinos	en
heal.committeeMemberName	Spyropoulou, Ioanna	en
heal.committeeMemberName	Kopelias, Panteleimon	en
heal.committeeMemberName	Geroliminis, Nikolaos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false