量化城市交通异常
机器学习
2016-10-04 v1
摘要
检测和量化城市交通中的异常对于短期的实时预警或重新规划路线，以及长期的城市规划至关重要。我们描述了一个两步框架，以鲁棒、快速、在线且无监督的方式实现这两个目标。首先，我们采用稳定主成分追踪来检测每个路段的异常。这使我们能够在空间上早期且精确地定位交通异常。然后，我们使用简单的图扩展过程，将跨时间和空间的道路级异常分组为有意义的异常事件。城市规划者可以轻松地对这些事件进行聚类、可视化和分析。我们使用达拉斯-沃斯堡 7 周的匿名和聚合蜂窝位置数据来证明我们系统的有效性。我们为城市规划者和政策制定者提出了利用我们的方法做出知情决策的潜在机会。这些应用包括响应异常高交通量的实时交通路线重新规划，或识别高影响力基础设施项目的候选方案。
引用
@article{arxiv.1610.00579,
title = {Quantifying Urban Traffic Anomalies},
author = {Zhengyi Zhou and Philipp Meerkamp and Chris Volinsky},
journal= {arXiv preprint arXiv:1610.00579},
year = {2016}
}
备注
Presented at the Data For Good Exchange 2016