Traffic4cast——基于 3DResNet 与 Sparse-UNet 的大规模交通预测
计算机视觉与模式识别
2021-11-12 v1
摘要
IARAI 的 Traffic4cast 2021 竞赛旨在根据先前获取的静态与动态交通信息预测短期全市范围高分辨率交通状态。其目标是构建一种机器学习模型，利用历史数据点预测多个大规模城市各子区域的标准化平均交通速度与流量。该模型应具备通用性，可应用于新城市。考虑到时空特征学习与建模效率，我们探索了 3DResNet 与 Sparse-UNet 方法来完成该竞赛任务。基于 3DResNet 的模型使用三维卷积学习时空特征，并应用序列卷积层以增强输出的时间关联。Sparse-UNet 模型使用稀疏卷积作为时空特征学习的骨干网络。由于后一种算法主要聚焦于输入的非零数据点，其在保持具有竞争力的精度的同时大幅降低了计算时间。我们的结果表明，两种所提模型的性能均显著优于基线算法。代码与预训练模型见 https://github.com/resuly/Traffic4Cast-2021。
引用
@article{arxiv.2111.05990,
title = {Traffic4cast -- Large-scale Traffic Prediction using 3DResNet and Sparse-UNet},
author = {Bo Wang and Reza Mohajerpoor and Chen Cai and Inhi Kim and Hai L. Vu},
journal= {arXiv preprint arXiv:2111.05990},
year = {2021}
}