基于循环神经网络的道路网交通流预报
机器学习
2020-06-09 v1 机器学习
摘要
近年来，发展智慧城市的兴趣急剧增长。在此背景下，智能交通系统是一个重要课题。交通流预报对于高效的智能交通系统必不可少。由于其随机与非线性的性质，交通流预报是一项困难任务。除经典统计方法外，神经网络是预测未来交通流的一种有前景的可能途径。在我们的工作中，该预测由多种循环神经网络完成。这些网络在置于城市交叉口的感应线圈测量数据上训练。我们使用了 2018 年 1 月初至 7 月底的数据。每个模型纳入所有传感器测得的交通流序列，并同时预测每个传感器的未来交通流。我们研究了多种模型架构、预报时域和输入数据。多数情况下，带门控循环单元（gated recurrent units）的向量输出模型在所有考虑的预测场景中测试集误差最小。由于数据量小，训练模型的泛化能力有限。
引用
@article{arxiv.2006.04670,
title = {Traffic Flow Forecast of Road Networks with Recurrent Neural Networks},
author = {Ralf Rüther and Andreas Klos and Marius Rosenbaum and Wolfram Schiffmann},
journal= {arXiv preprint arXiv:2006.04670},
year = {2020}
}
备注
12 pages