基于密集与不完整轨迹联合建模的城市级交通流量推断
机器学习
2019-02-26 v1 社会与信息网络
机器学习
摘要
实时交通流量推断是智能城市的关键。这是一项具有挑战性的任务，因为道路上的准确交通流量只能在安装了传感器的特定位置测得。此外，受天气、事件、节假日等影响，交通随时间演化。现有的交通流量推断方案常依赖密集 GPS 轨迹，不可避免地忽略了未携带或关闭 GPS 设备的车辆。因此，结果偏向于出租车，因为它们几乎始终在线以供 GPS 追踪。本文提出一种利用密集 GPS 轨迹与摄像监控系统捕获的不完整轨迹进行城市级交通流量推断的新框架。我们的方法采用高保真交通模拟器与深度强化学习，从不完整轨迹中恢复完整车辆运动。为联合建模恢复轨迹与密集 GPS 轨迹，我们构建时空图并使用多视图图嵌入将路段间的多跳相关性编码为实值向量。最后，我们通过掩码成对相似性将受监测路段的通行量传播至未监测路段，从而推断城市级交通流量。在中国某省会城市两个大区域的充分实验验证了方法的有效性。
引用
@article{arxiv.1902.09255,
title = {Joint Modeling of Dense and Incomplete Trajectories for Citywide Traffic Volume Inference},
author = {Xianfeng Tang and Boqing Gong and Yanwei Yu and Huaxiu Yao and Yandong Li and Haiyong Xie and Xiaoyu Wang},
journal= {arXiv preprint arXiv:1902.09255},
year = {2019}
}
备注
Accepted by The Web Conference (WWW) 2019