损失函数的比较研究：常规与拥堵场景下的交通预测
机器学习
2023-08-30 v1 人工智能
摘要
时空图神经网络在交通预测中取得了最先进的性能。然而，由于传统损失函数的局限性，它们往往难以准确预测拥堵。虽然准确预测常规交通状况至关重要，但可靠的 AI 系统还必须准确预测拥堵场景，以维持安全高效的交通。在本文中，我们探索了受重尾分析与不平衡分类问题启发的各种损失函数以解决此问题。我们评估了这些损失函数在交通速度预测中的有效性，重点在于拥堵场景。通过对真实世界交通数据集的广泛实验，我们发现当优化平均绝对误差（MAE）时，MAE-Focal Loss 函数是最有效的；当优化均方误差（MSE）时，Gumbel Loss 被证明是更优选择。这些选择在不损害常规交通速度预测准确性的情况下有效预测了交通拥堵事件。本研究增强了深度学习模型预测因拥堵引起的突发速度变化的能力，并强调了在该方向上需要更多研究。通过提升拥堵预测的准确性，我们倡导在实用交通管理场景中可靠、安全且具韧性的 AI 系统。
引用
@article{arxiv.2308.15464,
title = {A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios},
author = {Yangxinyu Xie and Tanwi Mallick},
journal= {arXiv preprint arXiv:2308.15464},
year = {2023}
}