Multi-graph Spatio-temporal Graph Convolutional Network for Traffic Flow Prediction

要約

都市間高速道路交通は都市生活にとって重要です。
高度道路交通システム (ITS) の重要な機能の 1 つとして、交通評価は今日常に重要な役割を果たしていますが、ネットワーク全体の料金所では毎日の交通流予測が依然として課題に直面しています。
一方で、実際にはさまざまな場所でのデータの不均衡により、予測のパフォーマンスが低下します。
一方で、複雑な相関性のある時空間要因を長期にわたって包括的に利用することはできません。
本稿では、時空間深層学習による高速道路領域の日常交通流の予測手法を提案する。
私たちの方法では、データ正規化戦略を使用して、ネットワーク全体の料金所でのトラフィック フローのロングテール分散によるデータの不均衡に対処します。
そして、グラフ畳み込みネットワークに基づいて、時空間の特徴を捉えるための異なるセマンティクスでネットワークを構築します。
それに加えて、交通流の追加の外部特性への完全な接続段階で、気象学とカレンダーの機能がモデルによって使用されます。
中国の地方高速道路での大規模な実験とケーススタディにより、私たちの手法は予測精度がベースラインよりも明らかに向上しており、ビジネスにおける実際的な利点を示しています。

要約(オリジナル)

Inter-city highway transportation is significant for urban life. As one of the key functions in intelligent transportation system (ITS), traffic evaluation always plays significant role nowadays, and daily traffic flow prediction still faces challenges at network-wide toll stations. On the one hand, the data imbalance in practice among various locations deteriorates the performance of prediction. On the other hand, complex correlative spatio-temporal factors cannot be comprehensively employed in long-term duration. In this paper, a prediction method is proposed for daily traffic flow in highway domain through spatio-temporal deep learning. In our method, data normalization strategy is used to deal with data imbalance, due to long-tail distribution of traffic flow at network-wide toll stations. And then, based on graph convolutional network, we construct networks in distinct semantics to capture spatio-temporal features. Beside that, meteorology and calendar features are used by our model in the full connection stage to extra external characteristics of traffic flow. By extensive experiments and case studies in one Chinese provincial highway, our method shows clear improvement in predictive accuracy than baselines and practical benefits in business.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google