面向哈佃 evacuation 中大型交通网络的可扩展流量预测模型部署
机器学习
2024-06-19 v1 人工智能
社会与信息网络
摘要
准确的流量预测对于有效的哈佃 evacuation 交通管理至关重要。本文提出一种预测建模系统，集成多层感知器（MLP）和长短期记忆网络（LSTM）模型，以捕捉长期拥堵模式和短期速度模式。利用包括历史流量数据、空间-时间道路网络信息和哈佃预报数据等多种输入变量，该框架旨在解决异构人类行为、有限 evacuation 数据以及哈佃事件不确定性所带来的挑战。在路易斯安那州的一个真实世界流量预测系统中部署时，该模型在7天的哈佃影响期间实现了82%的长期拥堵状态预测准确率（预测6小时）。短期速度预测模型在1至6小时的 evacuation 预留时间范围内的平均绝对百分比误差（MAPE）为7%至13%。评估结果凸显了该模型在哈佃 evacuation 中提升交通管理潜力，以及在广泛的交通网络中实现的适应性和可扩展性。
引用
@article{arxiv.2406.12119,
title = {Deploying scalable traffic prediction models for efficient management in real-world large transportation networks during hurricane evacuations},
author = {Qinhua Jiang and Brian Yueshuai He and Changju Lee and Jiaqi Ma},
journal= {arXiv preprint arXiv:2406.12119},
year = {2024}
}
备注
Submitted to IEEE ITS Magazine and currently under review