A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic Flow Forecasting

要約

タイトル：
短期交通流予測のための遅いシフトに関心のある機械学習手法

要約：
・混雑した地域のラッシュアワー中の交通流を時間的に予測する能力は、当局が渋滞の軽減やインフラ整備のスケジュールを立てるための情報を提供することができるため、ますます重要になっている。
・交通流予測の重要な課題の1つは、日常的および週常的サイクル間の時間的ピークの遅いシフトであり、信号の非定常性を引き起こし、正確な予測が困難になる。
・この課題に対処するため、交通流予測における遅いシフトに関心のある機械学習手法を提案する。
・この手法は、Empirical Mode Decompositionを特徴量エンジニアリングに利用して交通流データの非定常性を軽減し、一連の定常成分を生成することを含む。
・長・短期記憶ネットワークの優越性により、定常部分を入力として取り込む高度な交通流予測モデルを開発する。
・最後に、これらの手法を現実世界のデータのベンチマークに適用し、他の既存の手法と比較する。
・提案された方法は、平均二乗誤差と平均絶対パーセンテージ誤差のメトリックを使用して、既存の最高技術結果をそれぞれ14.55％と62.56％上回っている。

要約(オリジナル)

The ability to predict traffic flow over time for crowded areas during rush hours is increasingly important as it can help authorities make informed decisions for congestion mitigation or scheduling of infrastructure development in an area. However, a crucial challenge in traffic flow forecasting is the slow shifting in temporal peaks between daily and weekly cycles, resulting in the nonstationarity of the traffic flow signal and leading to difficulty in accurate forecasting. To address this challenge, we propose a slow shifting concerned machine learning method for traffic flow forecasting, which includes two parts. First, we take advantage of Empirical Mode Decomposition as the feature engineering to alleviate the nonstationarity of traffic flow data, yielding a series of stationary components. Second, due to the superiority of Long-Short-Term-Memory networks in capturing temporal features, an advanced traffic flow forecasting model is developed by taking the stationary components as inputs. Finally, we apply this method on a benchmark of real-world data and provide a comparison with other existing methods. Our proposed method outperforms the state-of-art results by 14.55% and 62.56% using the metrics of root mean squared error and mean absolute percentage error, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI