融合辅助信息的深度序列学习交通预测
计算机视觉与模式识别
2018-06-20 v1 人工智能
摘要
从在线路线查询预测交通状况是一项具有挑战性的任务，因为道路与所涉及人群之间存在许多复杂的交互。本文中，我们旨在通过恰当整合编码于辅助信息中的三类隐含但关键的因素来改进交通预测。我们在一个编码器—解码器序列学习框架内完成此工作，该框架整合以下数据：1）离线地理与社会属性。例如，道路的地理结构或公共社会事件如国庆庆典；2）道路交叉口信息。一般而言，交通拥堵发生于主要路口；3）在线人群查询。例如，当由于公共演出而发出许多前往同一目的地的在线查询时，该目的地周边交通在一段时间后可能变得更拥堵。在来自百度的真实世界数据集上的定性与定量实验已证明我们框架的有效性。
引用
@article{arxiv.1806.07380,
title = {Deep Sequence Learning with Auxiliary Information for Traffic Prediction},
author = {Binbing Liao and Jingqing Zhang and Chao Wu and Douglas McIlwraith and Tong Chen and Shengwen Yang and Yike Guo and Fei Wu},
journal= {arXiv preprint arXiv:1806.07380},
year = {2018}
}
备注
KDD 2018. The first two authors share equal contributions