面向城市交通拥堵预测的可解释级联混合专家模型
机器学习
2024-06-21 v1 多智能体系统
摘要
快速的城市化进程显著恶化了交通拥堵，凸显了针对智能交通系统的先进拥堵预测服务的需求。作为全球最大的叫车平台之一，迪迪公司高度重视拥堵预测的准确性，以提升其实时服务（如旅行时间估计和路径规划）的效能和可靠性。尽管已有大量努力用于拥堵预测，但大多数方法在处理噪声和不完整交通数据下的异构动态时空依赖（例如周期性和非周期性拥堵）方面仍显不足。本文引入一种拥堵预测混合专家模型（CP-MoE），以应对上述挑战。我们首先提出一种稀疏门控的自适应图学习者混合模型（MAGLs），并加入拥堵感知的归纳偏置，以提高模型对复杂时空依赖的捕获能力。随后，我们设计两个专门的专家来分别识别交通数据中的稳定趋势和周期模式。通过将这些专家与MAGLs级联，CP-MoE以更稳健和可解释的方式进行拥堵预测。此外，本文采用序数回归策略以促进不同专家之间的有效协作。大量实验表明，我们所提出的方法在真实数据集上优于当前最先进的时空预测模型。更重要的是，CP-MoE已部署于迪迪系统中，以提升旅行时间估计系统的准确性和可靠性。
引用
@article{arxiv.2406.12923,
title = {Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction},
author = {Wenzhao Jiang and Jindong Han and Hao Liu and Tao Tao and Naiqiang Tan and Hui Xiong},
journal= {arXiv preprint arXiv:2406.12923},
year = {2024}
}