使用深度十六元数网络进行交通流预测
计算机视觉与模式识别
2020-12-14 v2
摘要
在本文中，我们给出了针对Traffic4cast2020交通预测挑战赛的解决方案。在该竞赛中，参与者需预测三个不同城市（柏林、伊斯坦布尔和莫斯科）未来的交通参数（速度与流量）。所提供的信息包含九个通道，其中前八个代表四个不同交通方向（NE、NW、SE和SW）的速度与流量，而最后一个通道用于指示交通事故的存在。预期输出应在六个未来时间间隔（5、10、15、30、45和60分钟）上具有输入的前8个通道，而作为输入的是以5分钟为间隔、时长一小时的过去交通数据。我们使用一种新颖的十六元数U-Net神经网络解决了该问题。十六元数网络为相关多模态数据集的高效编码提供了手段。我们使用15个十六元数虚部中的12个用于动态输入，实十六元数分量用于静态输入。网络的十六元数输出用于表示多模态交通预测。所提系统的验证MSE为1.33e-3，测试MSE为1.31e-3。
引用
@article{arxiv.2012.03874,
title = {Traffic flow prediction using Deep Sedenion Networks},
author = {Alabi Bojesomo and Panos Liatsis and Hasan Al Marzouqi},
journal= {arXiv preprint arXiv:2012.03874},
year = {2020}
}
备注
5 pages, 4 figures, 1 table, 2 equations