“城市事件如何影响交通速度？”一种用于事件驱动交通速度预测的深层图卷积网络
机器学习
2019-12-04 v1 信号处理
机器学习
摘要
准确的交通速度预测是交通规划中一个重要且具有挑战性的课题。以往关于交通速度预测的研究主要利用时空与上下文特征进行预测。然而，它们未能很好地利用城市交通事件的影响。在本工作中，我们旨在利用城市事件信息以实现更好的交通速度预测。我们的事件驱动预测框架包含三个过程。首先，我们提出一种关键事件发现方法，以发现对交通速度具有高影响的城市交通事件。其次，我们设计了一个二分类器，利用深度学习方法从分类器的中间层提取潜在的事件影响特征。结合上述方法，我们提出了一种深层事件感知图卷积网络（DIGC-Net），以有效融合城市交通事件、时空、周期与上下文特征进行交通速度预测。我们在旧金山和纽约市的两个真实世界城市交通数据集上进行了实验。结果表明我们的模型相较于竞争基准具有优越性能。
引用
@article{arxiv.1912.01242,
title = {"How do urban incidents affect traffic speed?" A Deep Graph Convolutional Network for Incident-driven Traffic Speed Prediction},
author = {Qinge Xie and Tiancheng Guo and Yang Chen and Yu Xiao and Xin Wang and Ben Y. Zhao},
journal= {arXiv preprint arXiv:1912.01242},
year = {2019}
}
备注
18 pages, 8 figures