TraffNet：学习交通生成的因果性以进行假设预测
机器学习
2024-06-25 v7 人工智能
摘要
实时假设（what-if）交通预测对于智能交通管理与控制中的决策至关重要。尽管当前深度学习方法在交通预测中展现出显著优势，但因其基于相关的本质，在假设交通预测中无能为力。在此，我们提出一个称为 TraffNet 的简易深度学习框架，从车辆轨迹数据中学习交通生成的机制以进行假设预测。首先，我们使用异构图表示道路网络，使模型能融入交通流的因果特征，如起讫点（OD）需求与路径。接着，我们提出一种学习路段表示的方法，其对将 OD 需求分配到道路网络上的过程建模。学习到的路段表示有效封装了交通生成的复杂成因，促进了下游假设交通预测。最后，我们在合成数据集上开展实验以评估 TraffNet 的有效性。TraffNet 的代码与数据集可在 https://github.com/iCityLab/TraffNet 获取。
引用
@article{arxiv.2303.15954,
title = {TraffNet: Learning Causality of Traffic Generation for What-if Prediction},
author = {Ming Xu and Qiang Ai and Ruimin Li and Yunyi Ma and Geqi Qi and Xiangfu Meng and Haibo Jin},
journal= {arXiv preprint arXiv:2303.15954},
year = {2024}
}