用于大规模众包交通数据不确定性建模的异方差高斯过程
机器学习
2018-12-21 v1 机器学习
摘要
准确建模交通速度是高效智能交通系统的基础部分。如今，随着支持 GPS 设备的广泛部署，将速度信息的收集众包给道路使用者（例如通过移动应用或专用车载设备）已成为可能。尽管众包速度数据具有相当广的空间覆盖，它也带来了非常重要的挑战，例如由于多样的驾驶行为和样本量导致数据中测量噪声的高度可变。若未恰当处理，该噪声会严重损害任何依赖准确交通数据的应用。在本文中，我们提出使用异方差高斯过程（HGP）来建模大规模众包交通数据中随时间变化的不确定性。此外，我们开发了以样本量和交通状态为条件的 HGP（SRC-HGP），其利用样本量信息（每分钟探测车辆数）以及先前观测到的速度，以更准确地建模观测速度中的不确定性。利用来自哥本哈根的 6 个月众包交通数据，我们经验性地表明，相较于当前最先进的方法，所提出的异方差模型在速度插补和短期预测任务上都产生了显著更好的预测分布。
引用
@article{arxiv.1812.08733,
title = {Heteroscedastic Gaussian processes for uncertainty modeling in large-scale crowdsourced traffic data},
author = {Filipe Rodrigues and Francisco C. Pereira},
journal= {arXiv preprint arXiv:1812.08733},
year = {2018}
}
备注
22 pages, Transportation Research Part C: Emerging Technologies (Elsevier)