基于时空零膨胀负二项图神经网络（STZINB-GNN）的道路级交通风险预测不确定性量化
计算工程、金融与科学
2023-07-27 v1
摘要
基于城市道路的风险预测是交通安全研究中关键且具有挑战性的一个方面。虽然大多数现有研究强调准确预测，却常忽视模型不确定性的重要性。本文提出一种新颖的时空零膨胀负二项图神经网络（STZINB-GNN）用于道路级交通风险预测，重点关注不确定性量化。我们在英国伦敦 Lambeth 区开展的案例研究证明了该方法相对于现有方法的优越性能。尽管负二项分布可能不是处理真实非二元风险水平的最合适选择，我们的工作为未来探索替代分布模型或技术的研究奠定了坚实基础。最终，STZINB-GNN 通过提供更为准确可靠的道路级交通风险预测与不确定性量化框架，促进了交通运输安全与城市规划中的数据驱动决策。
引用
@article{arxiv.2307.13816,
title = {Uncertainty Quantification in the Road-level Traffic Risk Prediction by Spatial-Temporal Zero-Inflated Negative Binomial Graph Neural Network(STZINB-GNN)},
author = {Xiaowei Gao and James Haworth and Dingyi Zhuang and Huanfa Chen and Xinke Jiang},
journal= {arXiv preprint arXiv:2307.13816},
year = {2023}
}
备注
Accepted as short paper to the 12 International Conference on Geographic Information Science, Leeds, UK