面向稀疏交通预测的多任务学习
机器学习
2022-11-21 v1
摘要
准确的交通预测对于提升智能交通系统的性能至关重要。以往的交通预测任务主要关注小型且非孤立的交通子系统，而Traffic4cast 2022竞赛致力于探索整个城市的交通状态动态。在仅给定一小时稀疏线圈计数数据的情况下，任务是对所有路段预测拥堵等级，并预测超级路段未来15分钟的预计到达时间。线圈计数器数据的稀疏性和高度不确定的实时交通状况使得该竞赛极具挑战性。为此，我们提出了一种能够同时预测各路段拥堵等级和速度的多任务学习网络。具体而言，我们使用聚类和神经网络方法学习线圈计数器数据的动态特征。然后，我们构建以路段为节点的图，并基于图神经网络捕获路段间的空间依赖关系。最后，我们通过多任务学习模块同时学习三项指标，即拥堵等级、速度值和流量等级。对于扩展竞赛，我们使用预测速度来计算超级路段的预计到达时间。我们的方法在Traffic4cast Competition 2022提供的数据集上取得了优异结果，源代码见https://github.com/OctopusLi/NeurIPS2022-traffic4cast。
引用
@article{arxiv.2211.09984,
title = {Multi-task Learning for Sparse Traffic Forecasting},
author = {Jiezhang Li and Junjun Li and Yue-Jiao Gong},
journal= {arXiv preprint arXiv:2211.09984},
year = {2022}
}