用于预测含缺失值的网络级交通状态的堆叠双向与单向 LSTM 循环神经网络
机器学习
2020-05-26 v1 信号处理
机器学习
摘要
近年来，基于深度学习方法，特别是循环神经网络（RNN）的短期交通预测受到了广泛关注。然而，基于 RNN 的模型在交通预测中的潜力，无论是在时空数据的预测能力还是处理缺失数据的能力方面，尚未得到充分挖掘。在本文中，我们专注于基于 RNN 的模型，并尝试重新构建将 RNN 及其变体融入交通预测模型的方式。我们提出了一种堆叠双向和单向 LSTM 网络架构（SBU-LSTM），以辅助设计用于交通状态预测的神经网络结构。作为该架构的关键组成部分，双向 LSTM（BDLSM）被用来捕捉时空数据中的前向和后向时间依赖性。为了处理时空数据中的缺失值，我们还通过在 LSTM 结构（LSTM-I）中设计一个插补单元来推断缺失值并辅助交通预测，从而提出了一种数据插补机制。LSTM-I 的双向版本被整合到 SBU-LSTM 架构中。我们使用两个真实的网络级交通状态数据集进行实验，并将其公开以促进进一步的交通预测研究。我们评估了多种类型的多层 LSTM 或 BDLSTM 模型的预测性能。实验结果表明，所提出的 SBU-LSTM 架构，特别是两层 BDLSTM 网络，在准确性和鲁棒性方面均能实现优越的网络级交通预测性能。此外，全面的比较结果表明，当模型的输入数据包含不同模式的缺失值时，所提出的基于 RNN 模型的数据插补机制能够取得出色的预测性能。
引用
@article{arxiv.2005.11627,
title = {Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network for Forecasting Network-wide Traffic State with Missing Values},
author = {Zhiyong Cui and Ruimin Ke and Ziyuan Pu and Yinhai Wang},
journal= {arXiv preprint arXiv:2005.11627},
year = {2020}
}