基于深度聚类的大规模路网短时交通预测
机器学习
2019-02-27 v1 机器学习
摘要
短时道路交通预测（STTP）是智能交通系统（ITS）中最重要的模块之一。然而，网络级STTP由于难以建模多样的交通模式并以低延迟处理高维时间序列，仍然具有挑战性。因此，本文开发了一种结合深度聚类（DeepCluster）模块的框架，用于大规模路网的STTP。所提DeepCluster模块旨在以可视化方式从大型无标签数据集中监督表征学习。更具体地，为充分利用交通周期性，原始序列首先被拆分为若干子序列以生成三元组。利用具有三元组损失的卷积神经网络（CNN）通过将序列转换为视觉图像来提取形状特征。随后，基于形状的表征被用于道路段聚类。此后，鉴于同一组内的道路段具有相似模式，进一步提出了一种模型共享策略，通过基于组的模型（GM）构建基于循环神经网络（RNN）的预测，而非为每条道路单独构建一个模型的基于个体的模型（IM）。我们的框架不仅能显著减少模型数量与成本，还能增加训练数据量与样本多样性。最后，我们在北京六里桥路网上对所提框架进行了评估。实验结果表明，DeepCluster能有效聚类道路段，且GM能以更少的模型数量取得与IM相当的性能。
引用
@article{arxiv.1902.09601,
title = {Short-term Road Traffic Prediction based on Deep Cluster at Large-scale Networks},
author = {Lingyi Han and Kan Zheng and Long Zhao and Xianbin Wang and Xuemin Shen},
journal= {arXiv preprint arXiv:1902.09601},
year = {2019}
}
备注
12 pages, 15 figures, journal