用于路网级时空交通状态估计的深度生成对抗架构
信号处理
2018-01-12 v1 最优化与控制
摘要
本研究提出一种用于路网级时空交通状态估计的深度生成对抗架构(GAA)。GAA能够将交通流理论与神经网络结合，从而提升交通状态估计精度。其由两个长短期记忆神经网络(LSTM NNs)组成，可捕捉交通流与交通密度在时间与空间上的相关性。其中一个LSTM NN称为判别网络，旨在最大化对真实交通状态矩阵（即给定时空区域内的交通流与交通密度）及另一神经网络生成的交通状态矩阵赋予正确标签的概率。另一LSTM NN称为生成网络，旨在生成使判别网络赋予其真实标签概率最大的交通状态矩阵。两LSTM NN同时训练，使训练后的生成网络能生成与训练数据集相似的交通矩阵。给定含缺失值的交通状态矩阵，我们利用三个定义的损失函数进行反向传播，将损坏矩阵映射至潜空间。该映射向量随后经预训练生成网络以估计损坏矩阵的缺失值。所提GAA与现有贝叶斯网络方法在华盛顿西雅图及加州圣迭戈环形检测器数据上对比，实验结果表明GAA在交通状态估计中精度高于贝叶斯网络方法。
引用
@article{arxiv.1801.03818,
title = {A Deep Generative Adversarial Architecture for Network-Wide Spatial-Temporal Traffic State Estimation},
author = {Yunyi Liang and Zhiyong Cui and Yu Tian and Huimiao Chen and Yinhai Wang},
journal= {arXiv preprint arXiv:1801.03818},
year = {2018}
}