智能交通系统中缺失数据的估计
机器学习
2022-11-21 v1
摘要
缺失数据是许多应用（包括智能交通系统（ITS））中的一项挑战。本文研究 ITS 中的交通速度与行程时间估计问题，其中由于采集点的传感器不稳定与通信错误，所收集数据存在部分缺失。这些实际问题可通过缺失数据分析加以缓解，其主要分为统计方法或基于机器学习（ML）的方法。统计方法需要数据的先验概率分布，而在我们的应用中该分布未知。因此，我们聚焦于一种基于 ML 的方法——多向循环神经网络（M-RNN）。M-RNN 利用了数据的时间与空间特征。我们在一个包含大多伦多地区（GTA）平均车速与行程时间的时空测量数据的 TomTom 数据集上评估该方法的有效性。我们在多种条件下评估该方法，结果表明 M-RNN 相较现有方案（例如样条插值与矩阵补全）在均方根误差（RMSE）上降低多达 58%，表现更优。
引用
@article{arxiv.2101.03295,
title = {Estimation of Missing Data in Intelligent Transportation System},
author = {Bahareh Najafi and Saeedeh Parsaeefard and Alberto Leon-Garcia},
journal= {arXiv preprint arXiv:2101.03295},
year = {2022}
}
备注
presented at the 2020 92nd IEEE conference on vehicular technology, 18 Nov.-16 Dec 2020 6 pages, 5 figures, 2 tables