基于图神经网络的迁移学习用于短期高速公路交通预测
机器学习
2020-04-21 v2 机器学习
摘要
高速公路交通建模与预测方法对于智能交通系统至关重要。近来，基于深度学习的交通预测方法已成为各类交通预测任务的最先进技术。然而，这些方法需要大量训练数据，而数据的收集需耗费相当长的时间。这对于缺乏历史数据的高速公路网络数据驱动学习方法的开发与部署提出了若干挑战。解决此问题的一个有前景的方法是迁移学习，即在一个高速公路网络区域训练的模型可适配于该网络的不同区域。我们聚焦于扩散卷积循环神经网络（DCRNN），一种用于高速公路网络预测的最先进图神经网络。它通过在循环神经网络内使用基于图的扩散卷积操作来建模高速公路网络复杂的空间和时间动态。然而，DCRNN 无法执行迁移学习，因为它学习的是特定位置的交通模式，无法用于网络中未见的区域。为此，我们为 DCRNN 开发了一种新的迁移学习方法，其中在高速公路网络数据丰富区域训练的单一模型可用于预测该网络未见区域的交通。我们评估了我们的方法在拥有一年时间序列数据的整个加州高速公路网络上预测交通的能力。我们表明 TL-DCRNN 可以从加州高速公路网络的多个区域学习，并高精度地预测网络未见区域的交通。此外，我们证明了 TL-DCRNN 可以从旧金山区域交通数据学习并预测洛杉矶区域的交通，反之亦然。
引用
@article{arxiv.2004.08038,
title = {Transfer Learning with Graph Neural Networks for Short-Term Highway Traffic Forecasting},
author = {Tanwi Mallick and Prasanna Balaprakash and Eric Rask and Jane Macfarlane},
journal= {arXiv preprint arXiv:2004.08038},
year = {2020}
}