面向交通网络可扩展时间序列预测的模型选择研究
机器学习
2021-02-19 v3 机器学习
摘要
交通文献中关于短时交通预测（至多1小时尺度）的研究十分密集，而关于长时交通预测的研究则较为稀少。交通文献在城市尺度交通预测方面也很匮乏，主要因为数据可用性低。在这项工作中，我们报告了一项研究努力，以探明深度学习模型是否有助于长时大尺度交通预测任务，同时关注模型的可扩展性。我们研究了一个城市尺度的交通数据集，包含加利福尼亚州洛杉矶超中心1098个路段上每15分钟采集一次、历时14周的速度观测值。我们考察了多种用于基于链路预测的先进机器学习和深度学习预测器，并研究这些预测器如何通过聚类和图卷积方法扩展到更大区域。我们讨论将时间和空间特征建模到深度学习预测器中有助于长时预测，而更简单的非深度学习预测器在基于链路的短时预测中取得了非常令人满意的性能。权衡不仅从预测精度与预测时域的角度讨论，还从训练时间和模型规模的角度讨论。
引用
@article{arxiv.1911.13042,
title = {On model selection for scalable time series forecasting in transport networks},
author = {Julien Monteil and Anton Dekusar and Claudio Gambella and Yassine Lassoued and Martin Mevissen},
journal= {arXiv preprint arXiv:1911.13042},
year = {2021}
}