用于城市交通拥堵预测的可扩展深度交通流神经网络
机器学习
2017-07-27 v1
摘要
追踪整个道路网络的拥堵状况是智能交通网络管理系统的重要组成部分。了解交通流如何运作以及对高峰期或事故引发的拥堵进行短期预测，有助于此类系统有效管理和引导交通至最合适的绕行路线。当前的许多交通流预测系统采用中央处理组件设计，通过汇总所有测量站收集的信息来进行预测。然而，集中式系统不可扩展，且无法向系统提供实时反馈；而在分散式方案中，每个节点负责基于相邻节点的局部当前测量值预测其自身的短期拥堵状况。我们提出了一种基于分散式深度学习的方法，其中每个节点基于相邻站点的拥堵状态实时准确地预测其自身的拥堵状态。此外，该方法不需要来自部署站点的历史数据，这使得所提出的方法更适合新安装的站点。为了实现更高的性能，我们引入了一种正则化欧氏损失函数，该函数相较于低拥堵样本更偏好高拥堵样本，以避免不平衡训练数据集的影响。基于从北加州交通控制站获取的交通数据，为此目的设计了一个新颖的数据集。在设计基准上进行的广泛实验反映了成功的拥堵预测。
引用
@article{arxiv.1703.01006,
title = {Scalable Deep Traffic Flow Neural Networks for Urban Traffic Congestion Prediction},
author = {Mohammadhani Fouladgar and Mostafa Parchami and Ramez Elmasri and Amir Ghaderi},
journal= {arXiv preprint arXiv:1703.01006},
year = {2017}
}