用于多模态交通预测的因果条件隐马尔可夫模型
机器学习
2023-01-23 v1
摘要
多模态交通流可反映交通系统的健康状况，其预测对城市交通管理至关重要。近期工作过度强调交通流的时空相关性，忽略了导致观测生成及其因果关系的物理概念。时空相关性在不同条件影响下被认为是不稳定的，且观测中可能存在虚假相关性。本文从观测生成原理的角度分析了影响多模态交通流生成的物理概念，并提出一种因果条件隐马尔可夫模型（CCHMM）来预测多模态交通流。在潜变量推断阶段，后验网络从条件信息与观测中解耦出感兴趣概念的因果表征，因果传播模块挖掘其因果关系。在数据生成阶段，先验网络从先验分布中采样因果潜变量并将其输入生成器以生成多模态交通流。我们采用先验与后验的相互监督训练方法来增强模型的可辨识性。在真实数据集上的实验表明，CCHMM能有效解耦感兴趣概念的因果表征并识别因果性，且准确预测多模态交通流。
引用
@article{arxiv.2301.08249,
title = {Causal conditional hidden Markov model for multimodal traffic prediction},
author = {Yu Zhao and Pan Deng and Junting Liu and Xiaofeng Jia and Mulan Wang},
journal= {arXiv preprint arXiv:2301.08249},
year = {2023}
}
备注
8 pages, 5 figures