基于环形检测器数据的GC-GRU-N交通预测模型
计算机视觉与模式识别
2022-11-17 v1 信号处理
摘要
由于交通特征呈现出随机非线性的时空依赖关系，交通预测是一项具有挑战性的任务。本文提出一种图卷积门控循环单元（GC-GRU-N）网络以提取本质的时空特征。我们使用西雅图环形检测器数据，按15分钟聚合，并通过空间与时间重构该问题。将所提模型与基准模型（历史平均、长短期记忆网络（LSTM）和Transformers）进行性能比较。所提模型排名第二，具有最快的推理时间，且与第一名（Transformers）性能非常接近。我们的模型还实现了比transformers快六倍的运行时间。最后，我们使用训练时间、推理时间、MAPE、MAE和RMSE等指标，对所提模型与现有基准进行了对比研究。同时分析了各训练模型的空间与时间特性。
引用
@article{arxiv.2211.08541,
title = {GC-GRU-N for Traffic Prediction using Loop Detector Data},
author = {Maged Shoman and Armstrong Aboah and Abdulateef Daud and Yaw Adu-Gyamfi},
journal= {arXiv preprint arXiv:2211.08541},
year = {2022}
}