DeepTFP：基于移动时间序列数据分析的交通流预测
机器学习
2017-10-05 v1
摘要
交通流预测是交通系统中避免交通拥堵的一个重要研究问题。通过了解交通流并进行交通规划，可以实现避免交通拥堵。实现交通流预测具有挑战性，因为预测受到许多复杂因素的影响，例如跨区域交通、车辆间关系以及突发事件。然而，随着交通系统中传感器嵌入式设备广泛收集车辆的移动数据，通过分析移动数据来预测交通流成为可能。本研究提出了一种基于深度学习的预测算法DeepTFP，用于集体预测城市中每条交通道路的交通流。该算法使用三个深度残差神经网络来建模交通流的时间邻近性、周期性和趋势性。每个残差神经网络由一个残差卷积单元分支组成。DeepTFP聚合三个残差神经网络的输出，以优化时间序列预测模型的参数。在来自英格兰交通系统的移动时间序列数据上的对比实验表明，所提出的DeepTFP在预测精度上优于基于长短期记忆（LSTM）架构的方法。
引用
@article{arxiv.1710.01695,
title = {DeepTFP: Mobile Time Series Data Analytics based Traffic Flow Prediction},
author = {Yuanfang Chen and Falin Chen and Yizhi Ren and Ting Wu and Ye Yao},
journal= {arXiv preprint arXiv:1710.01695},
year = {2017}
}