利用外生信息的路网级交通状态预测：一种基于多维图注意力的方法
机器学习
2024-05-17 v1
摘要
交通状态预测对交通管理与控制策略以及交通网络中的用户级与系统级决策至关重要。尽管过去几十年中交通预测已借助多种技术，但多数方法仅依赖内生交通变量进行状态预测，尽管有证据表明外生因素会显著影响交通状况。本文提出一种基于多维时空图注意力的交通预测方法（M-STGAT），其基于过去速度观测，以及整个交通网络上的车道关闭事件、温度和能见度进行预测。该方法基于图注意力网络架构，并依据观测这些变量的交通网络结构进行学习。数值实验使用来自加州交通部（Caltrans）性能度量系统（PeMS）的交通速度与车道关闭数据。相应的天气数据下载自美国国家海洋和大气管理局（NOAA）自动地面观测系统（ASOS）。为比较，数值实验实现了三种不允许多维输入的替代模型。在使用我们的主数据集以30、45和60分钟预测 horizon 进行预测时，就平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）三项误差度量而言，M-STGAT被证明优于三种替代模型。然而，模型的可迁移性对不同迁移数据集可能有所不同，此方面或需进一步研究。
引用
@article{arxiv.2310.12353,
title = {Networkwide Traffic State Forecasting Using Exogenous Information: A Multi-Dimensional Graph Attention-Based Approach},
author = {Syed Islam and Monika Filipovska},
journal= {arXiv preprint arXiv:2310.12353},
year = {2024}
}
备注
Transportation Research Board Annual Meeting 2023