用于短期交通流预测的深度学习
应用统计
2017-11-15 v3
摘要
我们开发了一个深度学习模型来预测交通流。主要贡献是开发了一种架构，它结合了使用 正则化拟合的线性模型以及一系列 层。预测交通流的挑战在于由于自由流、崩溃、恢复与拥堵之间的转换所导致的尖锐非线性。我们展示了深度学习架构能够捕捉这些非线性时空效应。第一层识别预测变量之间的时空关系，而其他层对非线性关系建模。我们在来自州际公路I-55的道路传感器数据上阐释了我们的方法，并预测了两个特殊事件期间的交通流：一场芝加哥熊队橄榄球比赛和一场极端暴风雪事件。两种情况均具有非常突然发生的尖锐交通流状态变化，我们展示了深度学习如何提供精确的短期交通流预测。
引用
@article{arxiv.1604.04527,
title = {Deep Learning for Short-Term Traffic Flow Prediction},
author = {Nicholas Polson and Vadim Sokolov},
journal= {arXiv preprint arXiv:1604.04527},
year = {2017}
}