在交通流预测中考虑施工区干扰
机器学习
2024-07-17 v1
摘要
交通速度预测是智能交通系统管理中的重要任务。当前大量计算研究的目标是最小化预测值与实际值之间的差异，但其他信息模态（除了速度先验信息）在很大程度上未被考虑。特别是，虽然图神经网络方法在速度预测中实现了最佳性能，但这些方法未纳入道路维护施工区信息及其对预测交通流的影响；然而，施工区的影响对于道路管理机构而言具有重要意义，因为它们会对当地经济和公共福祉产生影响。本文基于卷积图神经网络架构，提出一种新型模型——“面向道路施工区的图卷积神经网络”，该模型包含新颖的数据融合机制和新的异构图聚合方法，以容纳施工区信息于交通状态的时间空间依赖关系。该模型在两套数据集上进行评估，这些数据集捕捉了 Virginia 州存在施工区时的交通流。广泛的比较评估和消除实验表明，所提模型能够捕捉到跨交通走廊的复杂非线性时空关系，尤其在施工区事件发生时预测交通流方面优于基准模型。
引用
@article{arxiv.2407.11407,
title = {Accounting for Work Zone Disruptions in Traffic Flow Forecasting},
author = {Yuanjie Lu and Amarda Shehu and David Lattanzi},
journal= {arXiv preprint arXiv:2407.11407},
year = {2024}
}
备注
Traffic speed prediction, graph neural network, spatio-temporal correlation, hypergraph, work zone, maintenance downtime. arXiv admin note: text overlap with arXiv:2110.01535