飓风疏散期间路网尺度动态交通预测的深度学习 method
机器学习
2022-02-28 v1 社会与信息网络
摘要
主动疏散交通管理在很大程度上依赖于高时空分辨率的交通流实时监测与预测。然而，由于预测飓风路径突变及相应的家庭疏散行为所带来的不确定性，疏散交通预测具有挑战性。此外，建模时空交通流模式需要较长时间周期的广泛数据，而疏散通常持续2至5天。本文提出一种新颖的数据驱动方法，用于路网尺度的疏散交通预测。我们开发了动态图卷积LSTM（DGCN-LSTM）模型以学习飓风疏散的网络动态。我们首先在非疏散期交通数据上训练模型，表明该模型以226.84的RMSE值优于现有的深度学习模型预测非疏散期交通。然而，当我们将模型应用于疏散期时，RMSE值增至1440.99。我们通过采用迁移学习方法，加入与疏散交通需求相关的额外特征（如距疏散区距离、登陆时间和其它分区级特征）来控制从非疏散期到疏散期的网络动态信息迁移，从而克服该问题。最终的迁移学习DGCN-LSTM模型表现良好，可预测疏散交通流（RMSE=399.69）。所实现模型可用于较长预测时域（6小时）的疏散交通预测，并将协助交通机构启动适当的交通管理策略以减少疏散交通延误。
引用
@article{arxiv.2202.12505,
title = {A Deep Learning Approach for Network-wide Dynamic Traffic Prediction during Hurricane Evacuation},
author = {Rezaur Rahman and Samiul Hasan},
journal= {arXiv preprint arXiv:2202.12505},
year = {2022}
}