利用异常值加权自编码器增强交通流预测：应对实时变化
机器学习
2023-12-29 v1
摘要
在当今的城市景观中，交通拥堵构成了严峻挑战，尤其是在异常场景下。这些异常值可能指示突发的交通峰值、下降或不规则趋势，通常由事故、活动或道路施工等因素引起。此外，鉴于交通的动态特性，实时交通建模对于确保准确且最新的交通预测也变得至关重要。为应对这些挑战，我们引入了异常值加权自编码器建模 (OWAM) 框架。OWAM 利用自编码器进行局部异常检测，并生成相关性评分以评估邻近交通的影响。这些评分作为邻近传感器的加权因子，在融合进模型之前使用。该信息提升了交通模型的性能，并支持有效的实时更新，这对于捕捉动态交通模式至关重要。OWAM 在准确性和效率之间展现了良好的权衡，使其非常适合实际应用。研究结果显著促进了更高效、自适应的交通预测模型的发展，推动了未来交通管理领域的进步。我们框架的代码和数据集已在 https://github.com/himanshudce/OWAM 公开。
引用
@article{arxiv.2312.16596,
title = {Enhancing Traffic Flow Prediction using Outlier-Weighted AutoEncoders: Handling Real-Time Changes},
author = {Himanshu Choudhary and Marwan Hassani},
journal= {arXiv preprint arXiv:2312.16596},
year = {2023}
}
备注
10 pages