基于深度学习文本描述编码框架的交通事件持续时间预测
机器学习
2022-09-20 v1
摘要
由于事件在时空上发生的随机性、报告交通中断初期信息的缺乏，以及交通工程领域缺乏从过往事故中提取洞察的先进方法，预测交通事件持续时间是一个难以解决的问题。本文提出了一种融合框架，通过机器学习与交通流/速度及事件描述的集成作为特征，并经由多种深度学习方法（ANN 自编码器和字符级 LSTM-ANN 情感分类器）进行编码，从有限信息中预测事件持续时间。本文构建了交通与数据科学的交叉学科建模方法。该方法的事件持续时间预测精度优于应用于基线事件报告的性能最优的 ML 模型。结果表明，与标准线性或支持向量回归模型相比，我们提出的方法可将精度提高 ，并且相对于似乎优于所有其他模型的混合深度学习自编码 GBDT 模型进一步提高了 。应用区域为旧金山，其拥有丰富的交通事件日志（全国交通事故数据集）和过往历史交通拥堵信息（来自 Caltrans 性能测量系统的 5 分钟精度测量数据）。
引用
@article{arxiv.2209.08735,
title = {Traffic incident duration prediction via a deep learning framework for text description encoding},
author = {Artur Grigorev and Adriana-Simona Mihaita and Khaled Saleh and Massimo Piccardi},
journal= {arXiv preprint arXiv:2209.08735},
year = {2022}
}