基于网联车的交通流预测
网络与互联网体系结构
2020-12-07 v2 人工智能
摘要
我们提出一种短期交通流预测（STP）框架，以使交通管理当局尽早采取措施控制车流并防止拥堵。我们基于历史流量数据以及由网联车（CV）技术提供的实时馈送和轨迹数据等创新特征，预测目标路段在未来时段的流量。为应对现有方法不能适应交通变化的问题，我们展示了这一新颖方法如何通过将在各路段沿其轨迹上 CV 实际遭遇的各种事件的影响整合进流量预测中，实现先进建模。我们以多任务学习设置下的深度神经网络（DNN）并辅以 CV 输入来解决 STP 问题。结果表明，我们的方法即 MTL-CV，平均均方根误差（RMSE）为 0.052，优于最先进的 ARIMA 时间序列（RMSE 为 0.255）和基线分类器（RMSE 为 0.122）。与采用人工神经网络（ANN）的单任务学习相比，ANN 的 RMSE 为 0.113，性能低于 MTL-CV。MTL-CV 学习了路段间的历史相似性，而非使用该度量的直接历史趋势，因为趋势在该度量中可能不存在，但在相似性中却存在。
引用
@article{arxiv.2007.05460,
title = {Prediction of Traffic Flow via Connected Vehicles},
author = {Ranwa Al Mallah and Bilal Farooq and Alejandro Quintero},
journal= {arXiv preprint arXiv:2007.05460},
year = {2020}
}