基于深度序列学习的道路网温室气体排放预测
信号处理
2020-12-07 v2 机器学习
机器学习
摘要
减轻交通系统对环境的重大不利影响至关重要。因此，预测温室气体(GHG)排放是重要课题之一，尤其在智能交通系统(ITS)兴起的背景下。我们开发了一种深度学习框架，基于最具代表性的预测因子（如速度、密度以及前序时步的GHG排放率）预测路段级GHG排放率(ER)（以CO2eq克/秒计）。特别地，我们考察并比较了带外生变量的长短期记忆(LSTM)网络多种设定与聚类及带外生变量的自回归积分滑动平均(ARIMA)模型。以多伦多市中心道路网为案例，使用校准的交通微观仿真与MOVES合成高细粒度数据。研究发现，采用速度、密度、GHG ER及前三分钟入链速度，并采用2个隐藏层且超参数经系统调优的LSTM设定表现最佳。采用30秒更新间隔略微提升了真实与预测GHG ER间的相关性，但因均方根误差(RMSE)增大而对预测精度产生负面影响。以更高频率、更低数据需求高效预测GHG排放，将为大规模道路网上的非短视生态路径规划铺平道路，以缓解对全球变暖的不利影响。
引用
@article{arxiv.2004.08286,
title = {Greenhouse Gas Emission Prediction on Road Network using Deep Sequence Learning},
author = {Lama Alfaseeh and Ran Tu and Bilal Farooq and Marianne Hatzopoulou},
journal= {arXiv preprint arXiv:2004.08286},
year = {2020}
}