用于交通速度预测的结构化循环神经网络
机器学习
2019-02-19 v1 计算机视觉与模式识别
摘要
深度神经网络近来已展现出利用安装在道路路段上的传感器所获得的时间序列数据进行交通预测的能力。然而，捕捉交通数据的时空特征通常需要训练大量参数，增加了计算负担。在本工作中，我们证明嵌入道路网络的拓扑信息可改善交通特征的学习过程。我们使用车辆道路网络的图与循环神经网络（RNNs）来推断相邻道路路段之间的交互以及时间动态。道路网络的拓扑被转换为时空图以形成结构化 RNN（SRNN）。所提方法在西班牙桑坦德市道路网络的交通速度数据上进行了验证。实验表明，基于图的方法优于基于时空图像的先进方法，且所需训练参数少得多。
引用
@article{arxiv.1902.06506,
title = {Structural Recurrent Neural Network for Traffic Speed Prediction},
author = {Youngjoo Kim and Peng Wang and Lyudmila Mihaylova},
journal= {arXiv preprint arXiv:1902.06506},
year = {2019}
}
备注
Accepted and revised, to be presented in International Conference on Acoustics, Speech, and Signal Processing (ICASSP) on May 2019