LargeST：面向大规模交通预测的一个基准数据集
机器学习
2023-10-31 v2
摘要
道路交通预测在智慧城市倡议中起着关键作用，并得益于深度学习在捕捉交通数据非线性模式方面的能力而取得了显著进展。然而，由于在现有公开数据集上的局限，当前所取得的 promising 结果可能不适用于实际场景。首先，这些数据集规模有限，可能无法反映真实世界中交通网络的规模。其次，这些数据集的时间覆盖通常较短，给研究长期模式以及为训练深度模型获取充足样本带来了障碍。第三，这些数据集往往缺乏充分的传感器元数据，从而损害了数据的可靠性与可解释性。为缓解这些局限，我们引入了 LargeST 基准数据集。它涵盖加利福尼亚州共计 8,600 个传感器，具有 5 年的时间覆盖并包含全面的元数据。利用 LargeST，我们进行了深入的数据分析以提取数据洞察，从性能与效率角度对知名基线方法进行了基准测试，并指出了未来研究的挑战与机遇。我们在 https://github.com/liuxu77/LargeST 发布了数据集与基线实现。
引用
@article{arxiv.2306.08259,
title = {LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting},
author = {Xu Liu and Yutong Xia and Yuxuan Liang and Junfeng Hu and Yiwei Wang and Lei Bai and Chao Huang and Zhenguang Liu and Bryan Hooi and Roger Zimmermann},
journal= {arXiv preprint arXiv:2306.08259},
year = {2023}
}