一种用于量化不确定性并提升交通预测模型泛化能力的贝叶斯方法
机器学习
2024-07-04 v3 机器学习
摘要
用于交通数据预测的深度学习模型可利用多层架构在建模复杂函数方面具有优越性能。然而，这些方法的一个主要缺陷是，大多数方法不提供带不确定性估计的预测，而这对于交通运营与控制至关重要。若无不确定性估计，难以对模型预测建立任何程度的信任，且依赖过度自信预测的运行策略可能导致交通状况恶化。在本研究中，我们提出一种贝叶斯循环神经网络框架，通过在其隐藏层引入谱归一化，以量化交通预测中的不确定性并具有更高泛化能力。我们在文中表明，归一化通过控制模型复杂度并降低对训练数据过拟合的风险，改变了深度神经网络的训练过程。这进而有助于提升模型在分布外数据集上的泛化性能。结果表明，谱归一化改善了不确定性估计，并在单步预测区间内显著优于层归一化及无归一化模型。此性能提升可归因于谱归一化能更好地在扰动下定位数据的特征空间。我们的发现尤其与交通管理应用相关，其目标是在多地预测交通状况，但来自多地的训练数据可用性有限。因此，谱归一化提供了一种更具泛化性的方法，可有效捕捉交通数据中的潜在模式，而无需特定位置的模型。
引用
@article{arxiv.2307.05946,
title = {A Bayesian approach to quantifying uncertainties and improving generalizability in traffic prediction models},
author = {Agnimitra Sengupta and Sudeepta Mondal and Adway Das and S. Ilgin Guler},
journal= {arXiv preprint arXiv:2307.05946},
year = {2024}
}