Mesoscale Traffic Forecasting for Real-Time Bottleneck and Shockwave Prediction

要約

正確なリアルタイムの交通状態予測は、交通制御の研究において極めて重要な役割を果たします。
特に、CIRCLES コンソーシアム プロジェクトでは、データ ソースの遅延の影響を軽減する予測手法が必要です。
MegaVanderTest 実験の成功後、この論文は現在のシステムの制限を克服し、実験の次の反復に向けてリアルタイムの交通状態推定を改善するためのより適切なアプローチを開発することを目的としています。
この論文では、空間次元のセルフアテンション (SA) と長期短期記憶 (LSTM) を統合した詳細な予測手法である SA-LSTM を紹介します。これにより、リアルタイムのメソスケール トラフィックで最先端の結果が得られます。
予測しています。
私たちは、このアプローチを n ステップ SA-LSTM を使用したマルチステップ予測に拡張します。これは、リアルタイムで動作しながら、短期予測と長期予測の間のトレードオフにおいて従来のマルチステップ予測手法よりも優れています。

要約(オリジナル)

Accurate real-time traffic state forecasting plays a pivotal role in traffic control research. In particular, the CIRCLES consortium project necessitates predictive techniques to mitigate the impact of data source delays. After the success of the MegaVanderTest experiment, this paper aims at overcoming the current system limitations and develop a more suited approach to improve the real-time traffic state estimation for the next iterations of the experiment. In this paper, we introduce the SA-LSTM, a deep forecasting method integrating Self-Attention (SA) on the spatial dimension with Long Short-Term Memory (LSTM) yielding state-of-the-art results in real-time mesoscale traffic forecasting. We extend this approach to multi-step forecasting with the n-step SA-LSTM, which outperforms traditional multi-step forecasting methods in the trade-off between short-term and long-term predictions, all while operating in real-time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google