TraffNet: Learning Causality of Traffic Generation for What-if Prediction

要約

リアルタイムの What-If 交通予測は、インテリジェントな交通管理と制御における意思決定に不可欠です。
現在の深層学習手法はトラフィック予測において大きな利点を示していますが、相関ベースの性質のため、What-If トラフィック予測には無力です。
ここでは、車両の軌跡データから what-if 予測を行うために交通生成のメカニズムを学習する、TraffNet と呼ばれるシンプルな深層学習フレームワークを紹介します。
まず、異種グラフを使用して道路ネットワークを表現し、出発地と目的地 (OD) の需要やルートなどの交通流の因果関係をモデルに組み込むことができます。
次に、セグメント表現を学習する方法を提案します。これには、OD 需要を道路網に割り当てるプロセスのモデル化が含まれます。
学習されたセグメント表現は、トラフィック生成の複雑な原因を効果的にカプセル化し、ダウンストリームの what-if トラフィック予測を容易にします。
最後に、合成データセットで実験を行い、TraffNet の有効性を評価します。
TraffNet のコードとデータセットは、https://github.com/mayunyi-1999/TraffNet_code.git で入手できます。

要約(オリジナル)

Real-time what-if traffic prediction is crucial for decision making in intelligent traffic management and control. Although current deep learning methods demonstrate significant advantages in traffic prediction, they are powerless in what-if traffic prediction due to their nature of correlation-based. Here, we present a simple deep learning framework called TraffNet that learns the mechanisms of traffic generation for what-if prediction from vehicle trajectory data. First, we use a heterogeneous graph to represent the road network, allowing the model to incorporate causal features of traffic flows, such as Origin-Destination (OD) demands and routes. Next, we propose a method for learning segment representations, which involves modeling the process of assigning OD demands onto the road network. The learned segment representations effectively encapsulate the intricate causes of traffic generation, facilitating downstream what-if traffic prediction. Finally, we conduct experiments on synthetic datasets to evaluate the effectiveness of TraffNet. The code and datasets of TraffNet is available at https://github.com/mayunyi-1999/TraffNet_code.git.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google