CGAN-EB：一种基于条件生成对抗网络的非参数经验贝叶斯交通事故热点识别方法——基于模拟事故数据的研究
机器学习
2022-11-28 v1
摘要
本文提出一种称为CGAN-EB的新型非参数经验贝叶斯方法，用于在交通位置（如道路路段）中近似经验贝叶斯（EB）估计，其受益于深度神经网络的建模优势，并在一项模拟研究中将其性能与基于负二项模型的传统方法（NB-EB）比较。NB-EB使用负二项模型对事故数据建模，是实践中最常用的方法。在所提CGAN-EB中对事故数据建模使用了条件生成对抗网络，这是一种强大的基于深度神经网络的方法，可对任意类型分布建模。我们设计并进行了一系列模拟实验，以在不同条件下评估CGAN-EB性能并与NB-EB比较。结果表明，在有利于NB-EB模型的条件（即数据符合NB模型假设）下，CGAN-EB表现与NB-EB相当；在反映实践中频繁遇到的条件（特别是低样本均值，以及事故频率与协变量不呈对数线性关系）的实验中，CGAN-EB优于NB-EB。
引用
@article{arxiv.2112.06925,
title = {CGAN-EB: A Non-parametric Empirical Bayes Method for Crash Hotspot Identification Using Conditional Generative Adversarial Networks: A Simulated Crash Data Study},
author = {Mohammad Zarei and Bruce Hellinga and Pedram Izadpanah},
journal= {arXiv preprint arXiv:2112.06925},
year = {2022}
}
备注
17 pages, 8 figures