Improving vehicle speed estimates using street network centrality

Abstract

This paper describes a novel approach to improve prediction models which estimate vehicle speeds and their diurnal variation for road network links in urban street networks using only static map attributes. The presented approach takes into account previously neglected spatial information by integrating network centrality measures for closeness (indicating how central a link is) and betweenness (indicating how important a road link is) into the prediction model. The model is calibrated with a real-world dataset of 100 million individual speed measurements from a fleet of 3500 taxi probe vehicles in Vienna, Austria. Given that centrality can be derived directly from readily available street network data, the experimental results demonstrate that integrating centrality measures considerably improves the predictions without the need for adding a supplementary data source. Improvements for vehicle speed estimates are particularly prevalent on important street network links in the city center as well as rural streets in the periphery. RÉSUMÉCe papier décrit une nouvelle approche pour améliorer un modèle prédictif dont le but est d'estimer les vitesses des véhicules et leurs variations diurnes sur un réseau routier en relation avec un réseau de rues, en n'utilisant que des attributs cartographiques statiques. L'approche présentée prend en compte une information spatiale négligée précédemment en intégrant dans le modèle prédictif deux mesures de centralité : la centralité de proximité 'closeness' (qui estime la centralité d'un arc) et la centralité intermédiaire 'betweeness' (qui estime l'importance d'un arc routier). Le modèle est calibré avec des données réelles à partir d'une base de 100 millions d'enregistrements de vitesses correspondant à une flotte de 3500 taxi à Vienne en Autriche. La centralité est directement dérivée des données de réseau de rues disponibles. Les résultats expérimentaux montrent que l'intégration des mesures de centralité améliore considérablement les prédictions sans avoir à ajouter des informations supplémentaires. Les améliorations de l'estimation de la vitesse des véhicules sont particulièrement significatives sur le réseau des rues importantes en centre-ville ainsi que sur les routes du réseau rural en périphérie. ARTICLE HISTORY

Transferring urban traveling speed model fits across cities

“…Tseng et al [21] extend these methods to suburban highways. Graser et al [8] and [9] suggest the usage of different road network centrality measures as predictors for link traveling speed. However, these authors acknowledge that some of the measures depend on the boundaries of the chosen map which introduces some arbitrariness to the approach.…”