在线学习用于交通数据拥堵等级预测的新视角
机器学习
2020-04-02 v1 信号处理
机器学习
摘要
这项工作关注时间序列数据的分类。当时间序列由非平稳现象生成时，将序列与待预测类别关联的模式可能随时间演化（概念漂移）。因此，旨在学习该模式的预测模型可能最终过时，从而无法维持实际可用的性能水平。为克服这种模型退化，在线学习方法从随时间到达的新数据样本中增量学习，并通过实施各种概念漂移策略来适应数据流中可能出现的变化。在本文中，我们详细阐述了在线学习方法基于交通速度时间序列数据预测道路拥堵等级的适用性。我们针对预测视界增大时性能退化的问题得出了有趣的见解。与大多数文献的做法相反，我们提供了证据，表明在设计和调优学习模型之前评估类别随时间分布的重要性。这一前置步骤可提示目标下不同拥堵等级的可预测性。实验结果基于部署在美国西雅图的感应线圈捕获的真实交通速度数据进行讨论。我们分析了多种在线学习方法，从传统的增量学习算法到更复杂的深度学习模型。如所报告结果所示，当增大预测视界时，所有模型的性能均因类别随时间的分布而严重退化，这支持了我们先前关于在设计模型之前分析该分布的重要性的主张。
引用
@article{arxiv.2003.14304,
title = {New Perspectives on the Use of Online Learning for Congestion Level Prediction over Traffic Data},
author = {Eric L. Manibardo and Ibai Laña and Jesus L. Lobo and Javier Del Ser},
journal= {arXiv preprint arXiv:2003.14304},
year = {2020}
}