内容简介:在智能交通系统中,可靠的交通预测具有重要的意义,可以帮助决策者制定更好的管理策略,也可以帮助人们调整出行计划。但是,交通预测中存在一些挑战:本文提出了一种基于深度学习的时空交通预测网络,ST-3DNet,用来解决时空网格数据预测问题。ST-3DNet结合了3维卷积和残差单元,提出了一种再校准模块来描述空间维度上相关性的不同贡献,并结合局部和长期的时间模式来达到较好的效果。本文在交通栅格化数据上进行预测。在栅格化数据中,交通观测值在固定的地点以固定的时间间隔进行记录,可以表示为X
在智能交通系统中,可靠的交通预测具有重要的意义,可以帮助决策者制定更好的管理策略,也可以帮助人们调整出行计划。但是,交通预测中存在一些挑战:
- 空间相关性:相邻区域的交通数据具有一定的相关性
- 时间相关性:相邻时间的交通数据具有一定的相关性
- 异质性:不同地区和时间相关性的贡献并不相同
本文提出了一种基于深度学习的时空交通预测网络,ST-3DNet,用来解决时空网格数据预测问题。ST-3DNet结合了3维卷积和残差单元,提出了一种再校准模块来描述空间维度上相关性的不同贡献,并结合局部和长期的时间模式来达到较好的效果。
图1 ST-3DNet
本文在交通栅格化数据上进行预测。在栅格化数据中,交通观测值在固定的地点以固定的时间间隔进行记录,可以表示为X t ∈R C×I×J ,(X t ) c, i, j =x t c, i, j 。其中t表示时间间隔,I×J为空间上划分的网格,C为交通数据的不同记录值(比如拥堵状况、人流量)。这样,交通预测问题可以表示为:已知历史数据{X t | t=0, 1, …, n},预测未来的X n+Δt 。
图2 交通栅格化数据
ST-3DNet使用了3维卷积。在交通数据中,时间和空间可能具有较强的相关性,比如,某路段的拥堵可能在一段时间后传播到下一路段。2维卷积会将输入数据的第三维度加和,因此在这一情况下,时间维度的信息会丢失。与之相比,3维卷积在第三维度也会进行卷积操作,因此可以较好地保留时间维度上的信息,同时提取空间和时间维度上的特征。
图3 3维卷积
同时,本文观察到,在空间上,时空相关性对未来的结果具有不同的贡献。考虑到这种异质性,本文提出了一种 再校准模块,在空间上,将其他维度的值进行加权求和,并用此结果进行预测。
图4 再校准模块
此外,交通数据在较长的时间段中可能具有周期性。考虑到这一特性,本文在ST-3DNet中使用了两个组件,一个接受局部相邻的数据(比如以6分钟为间隔),一个接受较长的周期数据(比如以一周为时间周期),并融合这两部分的结果,得到更为准确的预测。
图5 交通数据的周期性
在交通拥堵数据集TrafficBJ以及人群流动数据集TaxiBJ和BikeNYC,ST-3DNet取得了较好的效果。
图6 TrafficBJ测试结果
图7 TrafficBJ在较长时间下的测试结果
图8 TaxiBJ和BikeNYC的测试结果
本文提出了一种3维卷积的时空网络,可以较好地预测未来的交通数据,同时具有较好的普遍性,可以应用到更多的场景中。
参考文献:
[1] S. Guo, Y. Lin, S. Li, Z. Chen and H. Wan, “Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting,” in IEEE Transactions on Intelligent Transportation Systems , 2019, 1-14.
以上所述就是小编给大家介绍的《用于交通数据预测的深度时空3维卷积神经网络 (Deep Spatial–Temporal 3D Convolutional Neural Ne...》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
The Master Switch
Tim Wu / Knopf / 2010-11-2 / USD 27.95
In this age of an open Internet, it is easy to forget that every American information industry, beginning with the telephone, has eventually been taken captive by some ruthless monopoly or cartel. Wit......一起来看看 《The Master Switch》 这本书的介绍吧!