使用混合 LSTM MDN 估计全城小时级自行车流量
机器学习
2022-04-21 v1 机器学习
应用统计
摘要
骑行可减少温室气体排放与空气污染并增进公共健康。鉴于此，全球城市决策者力求提高自行车出行分担率。然而，他们常受制于对骑行的恐惧与感知风险。提升自行车出行分担率的举措包含多项措施，其中之一是改善骑行安全。这需要对事故相关因素及结果进行分析。但有意义的骑行安全分析需要准确的自行车流量数据，而此类数据在路段层面通常稀疏甚至缺失。因此，安全工程师常依赖聚合变量或标定因子，无法解释外部因素引起的骑行交通变化。本文提出一种基于深度学习的方法——长短期记忆混合密度网络（LSTMMDN），以填补此空白，用于在哥本哈根基于路段层面的天气、时间与道路条件估计小时级自行车流量。该方法弥补了标定因子法的不足，使自行车交通估计精度提高 66–77%。为量化更精确自行车交通估计对骑行安全分析的影响，我们估计自行车碰撞风险模型以评估哥本哈根自行车碰撞。这些模型除所用暴露变量不同外完全相同：一个使用 LSTMMDN 估计值，一个使用基于标定的估计值，一个使用年均值交通估计值。结果表明，投资更先进方法获取自行车流量估计可通过改善安全分析及其他绩效度量惠及质量缓解工作。
引用
@article{arxiv.2204.09620,
title = {Estimating city-wide hourly bicycle flow using a hybrid LSTM MDN},
author = {Marcus Skyum Myhrmann and Stefan Eriksen Mabit},
journal= {arXiv preprint arXiv:2204.09620},
year = {2022}
}