用于高效细粒度交通速度预测的局部高斯过程
人工智能
2017-08-29 v1 机器学习
摘要
交通速度是城市交通系统效率的关键指标。因此，对时空变化的交通速度进行精确建模在城市规划与发展中起着至关重要的作用。本文使用从静态传感器获取的大规模交通数据，解决高效细粒度交通速度预测问题。高斯过程（Gaussian processes, GPs）此前已被用于对包括流量和速度在内的各种交通现象进行建模。然而，由于 GPs 具有三次方的时间复杂度，它们无法随大规模交通数据有效扩展。在本工作中，我们通过提出局部 GPs 来学习并对相关数据子集进行预测，从而解决其效率问题。主要思想是在空间和时间维度上将速度变量快速分组为有限数量的簇，以便未来和未观测到的交通速度查询可以被启发式地映射到其中一个簇。然后可以即时训练与该簇对应的局部 GP，以进行实时预测。我们将此方法称为局部化。我们使用非负矩阵分解进行局部化，并提出了简单的簇映射启发式方法。我们还利用 GP 核函数的表达能力来对道路网络拓扑进行建模，并纳入辅助信息。使用在美国匹兹堡和华盛顿特区两座城市收集的真实交通数据进行的广泛实验表明，与基线全局和局部 GPs 相比，我们提出的局部 GPs 显著提高了运行时性能和预测精度。
引用
@article{arxiv.1708.08079,
title = {Local Gaussian Processes for Efficient Fine-Grained Traffic Speed Prediction},
author = {Truc Viet Le and Richard J. Oentaryo and Siyuan Liu and Hoong Chuin Lau},
journal= {arXiv preprint arXiv:1708.08079},
year = {2017}
}