基于结构循环神经网络的可扩展短期交通预测学习
机器学习
2021-03-04 v1
摘要
本文提出了一种基于车辆道路网络中历史交通数据的可扩展深度学习方法用于短期交通预测。捕捉大数据的时空关系往往需要大量计算负担或针对特定类型道路网络的专门设计。为解决该问题，我们将道路网络图与循环神经网络（RNNs）结合构建结构循环神经网络（SRNN）。SRNN 采用时空图来推断相邻路段之间的交互以及时间序列数据的 temporal 动态。该模型的可扩展性源于两个关键方面。首先，所提出的 SRNN 架构利用所有路段的时空动态交互的语义相似性构建。其次，我们设计的架构可处理固定长度张量，而与图拓扑无关。利用桑坦德市实测的真实交通速度数据，我们证明所提出的 SRNN 在均方根误差（RMSE）上分别优于基于图像的胶囊网络（CapsNet）方法 14.1% 和卷积神经网络（CNN）方法 5.87%。此外，我们展示了所提模型的可扩展性：用某一道路网络数据训练的 SRNN 模型能够以固定数量的待训练参数预测不同道路网络的交通速度。
引用
@article{arxiv.2103.02578,
title = {Scalable Learning With a Structural Recurrent Neural Network for Short-Term Traffic Prediction},
author = {Youngjoo Kim and Peng Wang and Lyudmila Mihaylova},
journal= {arXiv preprint arXiv:2103.02578},
year = {2021}
}
备注
9 pages, 6 figures