构建高效的大规模交通状态预测系统：Traffic4cast 挑战赛方案
机器学习
2019-11-14 v1
摘要
如何构建高效的大规模交通状态预测系统是一个具挑战性但极具价值的问题。本研究聚焦于为时空数据设计一种高效解决方案，以预测大规模交通状态。考虑到 Traffic4cast 挑战赛的数据规模庞大及我们计算资源有限，我们侧重模型设计，以在可接受的运行时间内取得相对较高的预测性能。我们采用类似 U-net 的结构，并使用掩码替代空间注意力以应对数据稀疏性。接着，结合时间序列预测问题的经验，我们设计了一些特征，作为不同通道输入模型。区域裁剪用于减小感受野大小与研究区域之间的差异，模型可针对每个子区域专门优化。跨学科知识与经验的融合是经典交通研究中新兴的需求。我们在补充挑战赛中也讨论了若干正在进行的跨学科研究。源代码见 https://github.com/wufanyou/traffic4cast-TLab。
引用
@article{arxiv.1911.05699,
title = {Building Effective Large-Scale Traffic State Prediction System: Traffic4cast Challenge Solution},
author = {Yang Liu and Fanyou Wu and Baosheng Yu and Zhiyuan Liu and Jieping Ye},
journal= {arXiv preprint arXiv:1911.05699},
year = {2019}
}
备注
6 pages, 2 figures, Traffic4cast