用于实时瓶颈和冲击波预测的中观交通流预测
机器学习
2024-03-05 v2 人工智能
机器人学
摘要
准确的实时交通状态预测在交通控制研究中起着关键作用。特别是，CIRCLES 联盟项目需要预测技术来减轻数据源延迟的影响。在 MegaVanderTest 实验成功之后，本文旨在克服当前系统的局限性，并开发一种更适合的方法，以改进该实验下一次迭代的实时交通状态估计。在本文中，我们介绍了 SA-LSTM，这是一种深度预测方法，它在空间维度上整合了自注意力 (Self-Attention, SA) 机制与长短期记忆 (Long Short-Term Memory, LSTM) 网络，在实时中观交通流预测中取得了最先进的结果。我们将此方法扩展为用于多步预测的 n-step SA-LSTM，该方法在短期和长期预测之间的权衡方面优于传统的多步预测方法，同时保持实时运行。
引用
@article{arxiv.2402.05663,
title = {Mesoscale Traffic Forecasting for Real-Time Bottleneck and Shockwave Prediction},
author = {Raphael Chekroun and Han Wang and Jonathan Lee and Marin Toromanoff and Sascha Hornauer and Fabien Moutarde and Maria Laura Delle Monache},
journal= {arXiv preprint arXiv:2402.05663},
year = {2024}
}