深度回声状态网络用于短期交通预测：性能比较与统计评估
神经与进化计算
2020-04-20 v1 新兴技术
机器学习
摘要
在短期交通预测中，目标是准确预测在查询预测后不久出现的感兴趣交通参数的未来值。这一长期研究领域的活动近来由不同的深度学习（Deep Learning）方法主导，产生了过度复杂的预测模型，其精度提升在实际效用上往往存疑。在这项工作中，我们详细阐述了深度回声状态网络（Deep Echo State Networks）针对该特定任务的性能。这些替代建模方法的高效学习算法和更简单的参数配置，使它们成为部署在算力严格受限的设备与系统中的真实智能交通系统（ITS）应用的竞争性交通预测方法。我们设计了一个广泛的比较基准，使用在西班牙马德里捕获的真实交通数据，涵盖超过 130 个自动交通读取器（ATR）以及若干浅层学习、集成和深度学习模型。该比较基准的结果以及对所报告性能差距统计显著性的分析具有决定性：深度回声状态网络比其余所考虑的建模对照方法实现了更精确的交通预测。
引用
@article{arxiv.2004.08170,
title = {Deep Echo State Networks for Short-Term Traffic Forecasting: Performance Comparison and Statistical Assessment},
author = {Javier Del Ser and Ibai Lana and Eric L. Manibardo and Izaskun Oregi and Eneko Osaba and Jesus L. Lobo and Miren Nekane Bilbao and Eleni I. Vlahogianni},
journal= {arXiv preprint arXiv:2004.08170},
year = {2020}
}
备注
6 pages, 4 figures