多视角神经微分方程用于长期交通预测中的连续时间流数据
机器学习
2024-08-14 v1 人工智能
摘要
长期交通流预测在智能交通系统中发挥着关键作用，使交通管理者能够提前调整决策。然而，该问题由于连续时间流数据中时空相关性和复杂动态模式的存在，具有挑战性。神经微分方程（NDEs）是学习连续时间交通动力学的前沿方法之一。然而，传统的 NDE 模型由于难以捕获延迟的交通模式、动态边（位置-位置相关性）模式以及突变趋势模式，在长期交通预测中面临问题。为填补这一差距，我们提出了一种新的 NDE 架构，称为多视角神经微分方程。我们的模型通过在神经微分方程中学习隐式的多个表示来捕获当前状态、延迟状态和不同状态变量（视角）中的趋势。在几个真实世界交通数据集上进行的大量实验表明，我们提出的方法优于当前的前沿方法，在长期预测和对噪声或缺失输入的鲁棒性方面具有卓越的预测准确性。
引用
@article{arxiv.2408.06445,
title = {Multi-View Neural Differential Equations for Continuous-Time Stream Data in Long-Term Traffic Forecasting},
author = {Zibo Liu and Zhe Jiang and Shigang Chen},
journal= {arXiv preprint arXiv:2408.06445},
year = {2024}
}