用于交通流预测的神经网路多任务学习
机器学习
2017-12-27 v1 计算与语言
摘要
传统的交通流预测神经网络方法通常是单任务学习（STL）模型，其未利用相关任务所提供的信息。与 STL 不同，多任务学习（MTL）有潜力通过迁移额外任务训练信号中的信息来改善泛化能力。本文中，基于 MTL 的神经网络被用于交通流预测。对于神经网络 MTL，通过将在若干连续时刻的交通流并入输出层来构造反向传播（BP）网络。输出层中的节点可视为不同但紧密相关的 STL 任务的输出。在城市车辆交通流数据上的综合实验以及与 STL 的比较表明，BP 神经网络中的 MTL 是一种有前景且有效的交通流预测方法。
引用
@article{arxiv.1712.08862,
title = {Neural Network Multitask Learning for Traffic Flow Forecasting},
author = {Feng Jin and Shiliang Sun},
journal= {arXiv preprint arXiv:1712.08862},
year = {2017}
}