Phased Deep Spatio-temporal Learning for Highway Traffic Volume Prediction

要約

都市間高速道路交通は、市民の現代の都市生活にとって重要であり、時空間特性を備えた異種の感覚データを生成します。
交通分野における日常的な分析である毎日の交通量の推定は、長期的な観点からの相関的な時空間特徴の探索や、常に予測パフォーマンスを低下させるデータの不均衡に対処する効果的な手段の欠如など、高速道路の料金所にとって課題に直面しています。
本論文では、1日の交通量を3段階で予測するための深層時空間学習法を提案する。
特徴前処理フェーズでは、潜在的なロングテール分布に従ってデータが精巧に正規化されます。
時空間学習フェーズでは、完全畳み込みネットワーク (FCN) と長短期記憶 (LSTM) を組み合わせたハイブリッド モデルが採用され、異種データから時間、空間、気象、カレンダーを考慮します。
決定段階では、ネットワーク全体の料金所での翌日の交通量が効果的に達成されます。これは、重要な少数の高速道路の駅については特に調整されています。
中国の 1 つの省道道路からの実世界データを使用した広範な実験により、私たちの方法はさまざまな従来のモデルよりも予測精度が明確に向上し、MPAE および R 2 乗メトリクスがそれぞれ 5.269 および 0.997 に達することが示されました。

要約(オリジナル)

Inter-city highway transportation is significant for citizens’ modern urban life and generates heterogeneous sensory data with spatio-temporal characteristics. As a routine analysis in transportation domain, daily traffic volume estimation faces challenges for highway toll stations including lacking of exploration of correlative spatio-temporal features from a long-term perspective and effective means to deal with data imbalance which always deteriorates the predictive performance. In this paper, a deep spatio-temporal learning method is proposed to predict daily traffic volume in three phases. In feature pre-processing phase, data is normalized elaborately according to latent long-tail distribution. In spatio-temporal learning phase, a hybrid model is employed combining fully convolution network (FCN) and long short-term memory (LSTM), which considers time, space, meteorology, and calendar from heterogeneous data. In decision phase, traffic volumes on a coming day at network-wide toll stations would be achieved effectively, which is especially calibrated for vital few highway stations. Using real-world data from one Chinese provincial highway, extensive experiments show our method has distinct improvement for predictive accuracy than various traditional models, reaching 5.269 and 0.997 in MPAE and R-squre metrics, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google