基于自动 LSTM 定制与共享的大规模交通网络分布式细粒度车速预测
机器学习
2020-06-04 v2 机器学习
摘要
短时车速预测在过去十年中是重要的研究课题，已提出许多方法。然而，针对部署了大量交通检测器的大规模交通网络，提供细粒度、准确且高效的车速预测尚未得到充分研究。本文提出 DistPre，一种面向大规模交通网络的分布式细粒度车速预测方案。为实现细粒度且准确的车速预测，DistPre 为各检测器定制具有合适超参数配置的 Long Short-Term Memory (LSTM) 模型。为使该定制过程高效且适用于大规模交通网络，DistPre 在计算节点集群上进行 LSTM 定制，并允许不同检测器间共享任何已训练的 LSTM 模型。若某检测器观测到与另一检测器相似的交通模式，DistPre 直接在该两检测器间共享已有 LSTM 模型，而非为每个检测器定制 LSTM 模型。基于加州 I5-N 高速公路采集的交通数据进行了实验以评估 DistPre 性能。结果表明，DistPre 可为大规模交通网络提供时间高效的 LSTM 定制与准确的细粒度车速预测。
引用
@article{arxiv.2005.04788,
title = {Distributed Fine-Grained Traffic Speed Prediction for Large-Scale Transportation Networks based on Automatic LSTM Customization and Sharing},
author = {Ming-Chang Lee and Jia-Chun Lin and Ernst Gunnar Gran},
journal= {arXiv preprint arXiv:2005.04788},
year = {2020}
}
备注
14 pages, 7 figures, 2 tables, Euro-par 2020 conference