用于概率交通预测的可扩展全协方差动态混合模型
机器学习
2026-01-28 v4
摘要
基于深度学习的多元多步交通预测模型通常在序列到序列设置下以均方误差（MSE）或平均绝对误差（MAE）作为损失函数进行训练，简单地假设误差服从独立且各向同性的高斯或拉普拉斯分布。然而，此类假设对于真实世界的交通预测任务往往不切实际，其中时空预测的概率分布非常复杂，在传感器之间和预测时域之间以时变方式存在强烈的并发相关性。在本文中，我们将矩阵变量误差过程的时变分布建模为零均值高斯分布的动态混合。为实现高效性、灵活性和可扩展性，我们使用矩阵正态分布参数化每个混合分量，并允许混合权重随时间变化且可预测。所提方法可无缝集成到现有深度学习框架中，仅需学习少量额外参数。我们在交通速度预测任务上评估了所提方法的性能，发现我们的方法不仅提升了模型性能，还提供了可解释的时空相关结构。
引用
@article{arxiv.2212.06653,
title = {Scalable Dynamic Mixture Model with Full Covariance for Probabilistic Traffic Forecasting},
author = {Seongjin Choi and Nicolas Saunier and Vincent Zhihao Zheng and Martin Trepanier and Lijun Sun},
journal= {arXiv preprint arXiv:2212.06653},
year = {2026}
}
备注
11 pages, 4 figures, 2 table