基于流式数据的稀疏行程时间估计
机器学习
2020-01-14 v4 机器学习
摘要
我们针对拥堵城市交通中在线行程时间估计方法的两个缺陷展开研究。第一个缺陷涉及混合模态数量的确定，该数量可能动态变化，既在一天之内也在日与日之间。第二个缺陷是广泛采用高斯概率密度作为混合分量。高斯密度无法捕捉行程时间分布的正偏态，因此当其作为混合分量时，需要大量混合分量才能达到合理的拟合精度。它们还会对负行程时间赋予正概率。为解决这些问题，本文推导了一种以 Gamma 分量密度为混合成分的分布，其具有不对称性且支撑集为正实数。我们采用稀疏估计技术以确保模型简洁，并提出使用 Mittag-Leffler 函数对 Gamma 混合密度进行推广，从而提供增强的拟合灵活性与改进的简洁性。为适应当日内变异性并允许所提方法的在线实现（即对流式行程时间数据的快速计算），我们引入了一种递归算法，可在新数据到来时高效更新拟合分布。基于真实世界行程时间数据的实验结果说明了所提方法的有效性。
引用
@article{arxiv.1804.08130,
title = {Sparse Travel Time Estimation from Streaming Data},
author = {Saif Eddin Jabari and Nikolaos M. Freris and Deepthi Mary Dilip},
journal= {arXiv preprint arXiv:1804.08130},
year = {2020}
}