Traffic-Twitter Transformer：一种融合自然语言处理的路网级交通预测框架
机器学习
2022-11-01 v3 人工智能
摘要
借助准确及时的交通预测，可提前预判受影响的交通状况，引导相关部门与居民妥善应对交通模式的变化。然而，现有交通预测工作主要依赖历史交通模式，局限于短期预测（例如1小时以内）。为更好地管理未来道路通行能力并兼顾社会与人为影响，亟需提出一种灵活且全面的框架，为公众用户与交通部门预测具有物理感知的长期交通状况。本文通过引入社交媒体特征，弥补了鲁棒长期交通预测的空白。首先通过相关性研究与线性回归模型评估交通强度与Twitter数据强度这两类时间序列数据之间相关性的显著性；随后将这两类时间序列数据输入我们提出的具有社会感知的框架Traffic-Twitter Transformer，该框架将自然语言表示整合进时间序列记录中以进行长期交通预测。在西雅图大都市区的实验结果表明，我们所提模型在所有评价指标上均优于基线模型。这一结合NLP的社会感知框架可成为交通部门进行路网级交通预测与管理的有力工具。
引用
@article{arxiv.2206.11078,
title = {Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting},
author = {Meng-Ju Tsai and Zhiyong Cui and Hao Yang and Cole Kopca and Sophie Tien and Yinhai Wang},
journal= {arXiv preprint arXiv:2206.11078},
year = {2022}
}