QTIP：基于仿真的按事件参数快速交通模型适配
机器学习
2020-11-10 v1 机器学习
信号处理
摘要
当前数据驱动的交通预测模型通常使用大型数据集训练，例如数月的车速与流量数据。此类模型在普通道路条件下拟合良好，但往往在最需要它们的时候失效：当交通遭受突发且显著的扰动（如道路事件）时。在本工作中，我们描述了 QTIP：一种基于仿真的、用于在交通扰动时准瞬时适配预测模型的框架。简而言之，QTIP 针对多种场景对受影响道路进行实时仿真，分析结果，并相应地建议更改普通预测模型。QTIP 根据事件属性构建仿真场景，这些属性由受影响车辆发出的即时 distress 信号传达。此类实时信号由车载监控系统提供，该类系统在全球正日益普及。我们在一个丹麦高速公路案例研究中实验了 QTIP，结果表明 QTIP 能在道路事件最初的关键几分钟内改善交通预测。
引用
@article{arxiv.2003.04109,
title = {QTIP: Quick simulation-based adaptation of Traffic model per Incident Parameters},
author = {Inon Peled and Raghuveer Kamalakar and Carlos Lima Azevedo and Francisco C. Pereira},
journal= {arXiv preprint arXiv:2003.04109},
year = {2020}
}
备注
18 pages, 13 figures, 4 tables