利用非负矩阵分解理解 COVID-19 期间时空交通模式变化:案例研究
机器学习
2021-11-08 v1 计算机与社会
摘要
由于智能交通系统 (ITS) 的快速发展以及道路上车辆数量的上升趋势,大量道路交通数据被生成并可获取。从这些数据中理解时空交通模式至关重要,并已在交通规划、道路建设等方面提供有效帮助。然而,理解 COVID-19 大流行期间的交通模式相当具有挑战性且重要,因为人们与车辆的出行行为模式存在巨大差异。本文开展了一项案例研究以理解 COVID-19 期间时空交通模式的变化。我们应用非负矩阵分解 (NMF) 来提取模式。NMF 模型输出基于 2019 年与 2020 年 (分别为大流行前与大流行期间) 在大不列颠观察到的时空模式行为进行分析。所分析的时空交通模式变化行为的输出将有助于智能交通系统中的交通管理以及大流行或不可避免情景下与道路交通相关的各阶段管理。
引用
@article{arxiv.2111.03592,
title = {Nonnegative Matrix Factorization to understand Spatio-Temporal Traffic Pattern Variations during COVID-19: A Case Study},
author = {Anandkumar Balasubramaniam and Thirunavukarasu Balasubramaniam and Rathinaraja Jeyaraj and Anand Paul and Richi Nayak},
journal= {arXiv preprint arXiv:2111.03592},
year = {2021}
}
备注
Accepted in the 19th Australasian Data Mining Conference 2021