Traffic Prediction with Transfer Learning: A Mutual Information-based Approach

要約

現代の交通管理において、最も重要かつ困難なタスクの 1 つは、交通を正確かつタイムリーに予測することです。
ディープ ラーニング ベースの時空間モデルは、交通データの時空間関係を利用する際に優位性があることが十分に調査および検討されています。
通常、データ駆動型モデルには膨大な量のデータが必要ですが、小規模都市でのデータ収集は、機器の配備やメンテナンス コストなどの制約により困難な場合があります。
この問題を解決するために、TrafficTL を提案します。これは、他の都市からのビッグ データを使用して、データが不足している都市の交通予測を支援する、都市間の交通予測アプローチです。
周期性ベースの転送パラダイムを利用して、データの類似性を識別し、離れた都市からの 2 つのデータ分布間の不一致によって引き起こされる負の転送を減らします。
さらに、提案された方法は、小さなデータ都市からのデータの欠陥を修正するためにグラフ再構築技術を採用しています。
TrafficTL は、3 つの実世界のデータセットに関する包括的なケース スタディによって評価され、最先端のベースラインを約 8 ～ 25% 上回っています。

要約(オリジナル)

In modern traffic management, one of the most essential yet challenging tasks is accurately and timely predicting traffic. It has been well investigated and examined that deep learning-based Spatio-temporal models have an edge when exploiting Spatio-temporal relationships in traffic data. Typically, data-driven models require vast volumes of data, but gathering data in small cities can be difficult owing to constraints such as equipment deployment and maintenance costs. To resolve this problem, we propose TrafficTL, a cross-city traffic prediction approach that uses big data from other cities to aid data-scarce cities in traffic prediction. Utilizing a periodicity-based transfer paradigm, it identifies data similarity and reduces negative transfer caused by the disparity between two data distributions from distant cities. In addition, the suggested method employs graph reconstruction techniques to rectify defects in data from small data cities. TrafficTL is evaluated by comprehensive case studies on three real-world datasets and outperforms the state-of-the-art baseline by around 8 to 25 percent.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google