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。