基于共享 Koopman 特征模的城市交通分析与预测
系统与控制
2024-12-19 v2 机器学习
系统与控制
信号处理
摘要
由于数据稀缺城市的交通流预测具有挑战性，这需要大量的历史数据。为此，我们利用迁移学习，通过定制化的动态模式分解 (DMD) 变体 (约束化 Hankelized DMD, TrHDMD) 从数据丰富的城市中识别出常见的特征模 (城市心跳)，并将其转移到数据稀缺的城市，从而显著提高预测性能。TrHDMD 通过利用来自其他城市的先验知识来减少对大量训练数据的需求。通过将 Koopman 算子理论应用于多城市路口检测数据，我们识别出稳定、可解释且随时间不变的交通模式。将“城市心跳”注入预测任务可提高预测准确性，并有望增强数据基础结构各不相同的城市的交通管理策略。我们的工作通过共享 Koopman 特征模实现跨城市知识迁移，为数据稀缺的城市环境提供可操作见解和可靠预测。
关键词
引用
@article{arxiv.2409.04728,
title = {Urban traffic analysis and forecasting through shared Koopman eigenmodes},
author = {Chuhan Yang and Fares B. Mehouachi and Monica Menendez and Saif Eddin Jabari},
journal= {arXiv preprint arXiv:2409.04728},
year = {2024}
}