面向交通预测的不确定性自适应建模
机器学习
2023-03-17 v1
摘要
深度神经网络（DNN）已成为开发交通预测模型的主流方法。这些模型通常训练为在平均测试用例上最小化误差并产出单点预测，例如交通速度或行程时间的标量值。然而，单点预测未能考虑预测不确定性，而这对许多交通管理场景（如确定最佳或最差到达时间）至关重要。我们提出QuanTraffic，一个通用框架，用于增强任意DNN模型的不确定性建模能力。QuanTraffic几乎不需要人工介入，且在部署时不改变基础DNN架构。相反，它在DNN模型训练期间自动学习一个标准分位数函数，为单点预测产出预测区间。该预测区间定义了交通预测真实值可能落入的范围。此外，QuanTraffic开发了一种自适应方案，基于测试输入的位置和预测窗口动态调整预测区间。我们将QuanTraffic应用于七个公共数据集上的五种代表性交通预测DNN模型进行评估，并将其与五种不确定性量化方法比较。相较于基线不确定性建模技术，采用基础DNN架构的QuanTraffic在所报告数据集上始终交付比现有方法更好且更鲁棒的性能。
引用
@article{arxiv.2303.09273,
title = {Adaptive Modeling of Uncertainties for Traffic Forecasting},
author = {Ying Wu and Yongchao Ye and Adnan Zeb and James J. Q. Yu and Zheng Wang},
journal= {arXiv preprint arXiv:2303.09273},
year = {2023}
}
备注
14 pages, 5 figures