基于相似性的特征提取用于大规模稀疏交通预测
机器学习
2022-11-15 v1
摘要
短期交通预测是智能交通系统领域中被广泛研究的课题。然而，由于大多数现有预测系统被表述为时间序列预测问题，它们受限于对实时探测车辆数据的要求。针对此问题，NeurIPS 2022 Traffic4cast 挑战赛致力于利用公开可用的稀疏环路计数数据预测全市交通状态。本技术报告介绍了我们获得 ETA 预测扩展挑战赛第二名的解决方案。我们提出了一种使用多个最近邻（NN）滤波器的基于相似性的特征提取方法。提取了基于相似性的特征、静态特征、节点流量特征以及路段的组合特征，用于训练梯度提升决策树模型。在三个城市（包括伦敦、马德里和墨尔本）上的实验结果证明了我们方法的强预测性能，在行程时间估计任务中优于若干基于图神经网络的解决方案。源代码可在 \url{https://github.com/c-lyu/Traffic4Cast2022-TSE} 获取。
引用
@article{arxiv.2211.07031,
title = {Similarity-based Feature Extraction for Large-scale Sparse Traffic Forecasting},
author = {Xinhua Wu and Cheng Lyu and Qing-Long Lu and Vishal Mahajan},
journal= {arXiv preprint arXiv:2211.07031},
year = {2022}
}
备注
8 pages, 2 figures, NeurIPS Traffic4cast 2022