RadNet：利用交通预测在时空道路图网络中进行事件预测
机器学习
2022-06-14 v1
摘要
在时空系统中高效且准确的事件预测对于最小化服务停机时间与优化性能至关重要。本工作旨在利用历史数据通过时空预测来预判与诊断事件。我们考虑道路系统的具体用例，其中事件表现为异常事件，如事故或故障车辆。为此，我们开发了称为RadNet的神经网络模型，其预测系统参数（如未来时间步的平均车速）。由于此类系统大体遵循日或周周期性，我们将RadNet的预测与历史平均值比较以标记事件。不同于先前工作，RadNet在两种排列下推断空间与时间趋势，最终在预测前融合稠密表示。这促进了知情推断与更准确的事件检测。使用两个公开可用与一个新建道路数据集的实验表明，相较最先进方法，所提模型预测F1分数最高提升8%。
引用
@article{arxiv.2206.05602,
title = {RadNet: Incident Prediction in Spatio-Temporal Road Graph Networks Using Traffic Forecasting},
author = {Shreshth Tuli and Matthew R. Wilkinson and Chris Kettell},
journal= {arXiv preprint arXiv:2206.05602},
year = {2022}
}
备注
Accepted in IJCAI 2022 - Workshop on AI for Time Series Analysis