用于周期性与非周期性条件下时间序列预测的可解释混合专家模型
机器学习
2024-09-06 v1 信号处理
摘要
由突发事件引起的非周期性条件不同于遵循周期性模式的周期性条件。现有的交通速度预测研究忽略了突发事件的影响，并使用单一模型从这些截然不同的条件中学习所有可能的模式。本研究提出了一种新颖的混合专家 模型，以改善两种不同条件（即周期性和非周期性，亦即有和没有突发事件）下的交通速度预测。该 MoE 利用独立的周期性和非周期性专家模型（Temporal Fusion Transformers）来捕捉每种交通状况的独特模式。此外，我们提出了一种针对非周期性模型的训练流程，以缓解数据有限的问题。为了训练我们的模型，将包括交通速度、突发事件报告和天气数据在内的多源数据集进行整合并处理为信息特征。在真实道路网络上的评估表明，与其他基准算法相比，MoE 实现了更低的误差。模型预测分别从每种条件下的时间依赖性和变量重要性方面进行了解释，以揭示周期性与非周期性条件之间的差异。
引用
@article{arxiv.2409.03282,
title = {Interpretable mixture of experts for time series prediction under recurrent and non-recurrent conditions},
author = {Zemian Ke and Haocheng Duan and Sean Qian},
journal= {arXiv preprint arXiv:2409.03282},
year = {2024}
}