利用可视化分析重新审视深度交通预测中的可修改面单元问题
计算机视觉与模式识别
2020-09-08 v3 人机交互
摘要
深度学习方法正越来越多地用于城市交通预测，其中时空交通数据被聚合为按序列组织的矩阵，随后输入基于卷积的残差神经网络。然而，此类聚合过程中广为人知的可修改面单元问题可能导致网络输入的扰动。该问题会显著破坏特征嵌入与预测的稳定性，使深度网络对专家而言大为减效。本文通过利用单元可视化技术应对这一挑战，该技术能够探究城市交通数据的动态多变多尺度聚合与神经网络预测之间的多对多关系。通过与领域专家的持续交流，我们设计开发了集成以下模块的可视化分析方案：1）配备高级双变量颜色映射的双变量地图，用于同时刻画空间上的输入交通与预测误差；2）提供局部空间关联分析指标的 Morans I 散点图；3）以树状布局排列非线性点图的多尺度归因视图，以促进跨尺度的模型分析与比较。我们通过涉及深圳出租车行程真实数据集的一系列案例研究以及与领域专家的访谈评估了我们的方法。我们观察到地理尺度变化对预测性能有重要影响，且对动态变化输入输出进行交互式视觉探索有助于专家开发深度交通预测模型。
引用
@article{arxiv.2007.15486,
title = {Revisiting the Modifiable Areal Unit Problem in Deep Traffic Prediction with Visual Analytics},
author = {Wei Zeng and Chengqiao Lin and Juncong Lin and Jincheng Jiang and Jiazhi Xia and Cagatay Turkay and Wei Chen},
journal= {arXiv preprint arXiv:2007.15486},
year = {2020}
}