DL-Traff：城市交通预测深度学习模型综述与基准
机器学习
2021-08-23 v1
摘要
如今，随着物联网（IoT）和信息物理系统（CPS）技术的快速发展，来自手机、车载导航系统和交通传感器的大量时空数据正在被生成。通过在此类数据上利用最先进的深度学习技术，城市交通预测在人工智能和智能交通系统领域引起了广泛关注。该问题可以用一个 3D 张量 (T, N, C) 统一建模，其中 T 表示总时间步数，N 表示空间域大小（即网格或图节点），C 表示信息通道。根据具体的建模策略，最先进的深度学习模型可分为三类：基于网格、基于图和多元时间序列模型。在本研究中，我们首先综合回顾深度交通模型以及广泛使用的数据集，然后构建一个标准基准，以相同设置和指标全面评估它们的性能。我们的研究名为 DL-Traff，使用两个最流行的深度学习框架即 TensorFlow 和 PyTorch 实现，已作为两个 GitHub 仓库公开可用：https://github.com/deepkashiwa20/DL-Traff-Grid 和 https://github.com/deepkashiwa20/DL-Traff-Graph。通过 DL-Traff，我们希望为对时空数据分析感兴趣的研究人员提供一个有用的资源。
引用
@article{arxiv.2108.09091,
title = {DL-Traff: Survey and Benchmark of Deep Learning Models for Urban Traffic Prediction},
author = {Renhe Jiang and Du Yin and Zhaonan Wang and Yizhuo Wang and Jiewen Deng and Hangchen Liu and Zekun Cai and Jinliang Deng and Xuan Song and Ryosuke Shibasaki},
journal= {arXiv preprint arXiv:2108.09091},
year = {2021}
}
备注
This paper has been accepted by CIKM 2021 Resource Track