基于交通移动片段的短时交通预测
计算机视觉与模式识别
2021-10-28 v1 机器学习
图像与视频处理
摘要
交通预测技术的进步可极大影响城市出行。在 traffic4cast 竞赛中，短时交通预测任务以空前的精细度展开，提供了 5 分钟间隔、高空间分辨率的交通流量与速度信息。为提升对未知城市的泛化能力（如 2021 扩展挑战赛所要求），我们提出预测小的正方形城市区块，而非一次性处理整张城市栅格。在测试时，将测试数据拆分为空间裁剪的重叠片段可提升最终预测的稳定性和鲁棒性，因为覆盖同一单元格的多个块可独立处理。基于 traffic4cast 测试数据的性能及在验证集上的进一步实验表明，分块预测确实提高了精度。采用 Unet++ 架构以及增加测试时每样本处理的块数可带来额外优势。我们得出结论：我们的基于片段的方法，结合竞赛中提出的其他成功网络架构，可提升性能，尤其在对未见过的城市上。所有源代码见 https://github.com/NinaWie/NeurIPS2021-traffic4cast。
引用
@article{arxiv.2110.14383,
title = {Traffic Forecasting on Traffic Moving Snippets},
author = {Nina Wiedemann and Martin Raubal},
journal= {arXiv preprint arXiv:2110.14383},
year = {2021}
}