基于对抗与回归网络的分区图卷积用于道路行驶速度预测
机器学习
2021-03-02 v1 人工智能
离散数学
摘要
随着对路网中路径实时行程时间估计需求的增长，获取路网中道路的优质行程时间信息已愈发重要。在本文所用的丹麦路网(DRN)数据集背景下，数据覆盖稀疏且偏重于主干道，在 850,980 个路段中覆盖率为 23.88%，这使得行程时间估计十分困难。现有的基于图的数据处理方案常忽视图的规模，而对于具有大量连通路段的路网而言这是明显的问题。为此，我们提出一种基于对抗正则化卷积网络生成的潜表示的框架，用于预测无数据边的路段行驶速度直方图。我们应用分区算法将图划分为稠密子图，然后为每个子图训练模型以预测节点的速度直方图。该框架在 DRN 数据集上预测行驶速度直方图达到了 71.5% 交集与 78.5% 相关性的准确率。此外，实验表明将数据集划分为簇可提升框架性能。具体地，将路网数据集划分为 100 个簇、每簇约 500 个路段时，比使用 10 和 20 个簇时表现更好。
引用
@article{arxiv.2103.00067,
title = {Partitioned Graph Convolution Using Adversarial and Regression Networks for Road Travel Speed Prediction},
author = {Jakob Meldgaard Kjær and Lasse Kristensen and Mads Alberg Christensen},
journal= {arXiv preprint arXiv:2103.00067},
year = {2021}
}
备注
This thesis was completed 2020-06-12 and defended 2020-06-26