基于图的时空交通预测的不确定性区间
机器学习
2020-12-10 v1 机器学习
摘要
许多交通预测应用依赖于不确定性估计而非均值预测。统计交通预测文献有专门研究不确定性建模的完整子领域，但近期的深度学习交通预测模型要么缺乏此特性，要么做出限制其实用性的特定假设。我们提出 Quantile Graph Wavenet，一种时空神经网络，经训练以在给定前序时间步测量值并条件于某分位数的情况下估计密度。我们的密度估计方法完全由神经网络参数化，内部不使用似然近似。分位数损失函数是非对称的，这使得建模偏态密度成为可能。该方法在推断时无需如 Monte Carlo Dropout 中那样进行采样即可产生不确定性估计，因而也具有高效性。
引用
@article{arxiv.2012.05207,
title = {Uncertainty Intervals for Graph-based Spatio-Temporal Traffic Prediction},
author = {Tijs Maas and Peter Bloem},
journal= {arXiv preprint arXiv:2012.05207},
year = {2020}
}