用于短期交通流预测的混合隐马尔可夫 LSTM
机器学习
2023-07-18 v2 机器学习
摘要
深度学习（DL）方法在将交通变量预测至短期及近短期未来（对交通管理至关重要）方面已优于历史平均、ARIMA 及其变体等参数模型。具体而言，循环神经网络（RNN）及其变体（如长短期记忆，LSTM）旨在保留长期时间相关性，因此适用于序列建模。然而，多状态模型假设交通系统经由多个具有不同特征的状态（如交通中的自由流、拥堵）演化，因而需训练独立模型以刻画各状态内的交通动态。例如，带隐马尔可夫模型（HMM）用于状态识别的马尔可夫切换模型能够捕捉复杂动态模式与非平稳性。有趣的是，HMM 与 LSTM 均可用于从一组潜在或隐藏状态变量建模观测序列。在 LSTM 中，潜在变量由当前观测与前一潜在变量以确定性方式计算；而在 HMM 中，潜在变量集为马尔可夫链。受自然语言处理研究启发，本文提出一种能够学习交通数据中互补特征的混合隐马尔可夫-LSTM 模型用于交通流预测。结果表明，相较于马尔可夫切换 ARIMA 与 LSTM 等传统方法，采用混合架构取得了显著的性能提升。
引用
@article{arxiv.2307.04954,
title = {Hybrid hidden Markov LSTM for short-term traffic flow prediction},
author = {Agnimitra Sengupta and Adway Das and S. Ilgin Guler},
journal= {arXiv preprint arXiv:2307.04954},
year = {2023}
}