DxNAT——用于解释非经常性交通拥堵的深度神经网络
机器学习
2018-02-02 v1 机器学习
摘要
非经常性交通拥堵由临时扰动引起，例如事故、体育赛事、恶劣天气等。我们使用从田纳西州纳什维尔收集的一年内的实时交通速度、拥堵因子（一种交通拥堵指标）和事件相关数据来训练一个多层深度神经网络。该交通数据集包含超过9亿条数据记录。此后该网络用于分类实时数据并识别异常运行。与使用统计或机器学习技术的传统方法相比，我们的模型在识别由橄榄球赛事引起的交通拥堵时达到了98.73%的准确率。我们的方法首先将一个区域内的交通编码为缩放图像。之后，来自不同时间戳的图像数据与事件相关和时间相关的数据相融合。然后，使用交叉算子作为一种数据增强方法来生成类别更均衡的训练数据集。最后，我们使用受试者工作特征（ROC）分析来调整分类器的灵敏度。我们分别给出了训练时间和推理时间的分析。
引用
@article{arxiv.1802.00002,
title = {DxNAT - Deep Neural Networks for Explaining Non-Recurring Traffic Congestion},
author = {Fangzhou sun and Abhishek Dubey and Jules White},
journal= {arXiv preprint arXiv:1802.00002},
year = {2018}
}