基于时间感知门控循环单元网络利用历史数据预测路面摩擦
机器学习
2020-07-13 v1 信号处理
机器学习
摘要
准确的路面摩擦预测算法可使智能交通系统能及时向公众共享路面状况，从而提高道路使用者的安全。此前，学者们利用历史数据开发了多种预测模型以预报路面状况。然而，路面状况数据无法在每个时间戳被完美收集，例如车载传感器收集的数据可能因经济成本或天气问题导致车辆无法行驶而受影响。所收集数据中由此产生的缺失值会损害现有预测方法的有效性与准确性，因为它们被假设具有固定时间分辨率的输入数据。本研究提出一种采用基于门控循环单元网络的衰减机制（GRU-D）的路面摩擦预测模型来处理缺失值。评估结果表明，所提出的 GRU-D 网络优于所有基线模型。同时分析了缺失率对预测精度、学习效率和所学衰减率的影响。这些发现有助于利用含缺失值的历史数据集提高路面摩擦预测的准确性与效率，从而减轻湿滑或结冰路面状况对交通安全的影响。
引用
@article{arxiv.1911.00605,
title = {Time-Aware Gated Recurrent Unit Networks for Road Surface Friction Prediction Using Historical Data},
author = {Ziyuan Pu and Zhiyong Cui and Shuo Wang and Qianmu Li and Yinhai Wang},
journal= {arXiv preprint arXiv:1911.00605},
year = {2020}
}