面向人流预测的周期残差学习
机器学习
2022-09-29 v2 人工智能
计算机视觉与模式识别
摘要
人流预测旨在预测进入或离开特定区域的 crowds，是智慧城市中的一项基础任务。人流数据的关键特性之一是周期性：即以固定时间间隔出现的模式，例如每周模式。为捕捉此类周期性，现有研究要么将周期隐藏状态融合进网络通道以供学习，要么在网络架构上施加额外的周期策略。本文中，我们设计了一种新颖的周期残差学习网络（PRNet），以更好地建模人流数据中的周期性。与现有方法不同，PRNet将人流预测构建为一个周期残差学习问题，通过建模输入（前一时间段）与输出（未来时间段）之间的变化量来实现。相较于直接预测高度动态的客流，学习更平稳的偏差要容易得多，从而有助于模型训练。此外，所学得的变化量使网络能在每个时间间隔产生未来状况与其对应每周观测值之间的残差，因而显著提升了多步超前预测的精度。大量实验表明，PRNet可轻松集成至现有模型以增强其预测性能。
引用
@article{arxiv.2112.06132,
title = {Periodic Residual Learning for Crowd Flow Forecasting},
author = {Chengxin Wang and Yuxuan Liang and Gary Tan},
journal= {arXiv preprint arXiv:2112.06132},
year = {2022}
}