DeepTransport：学习交通状况时空依赖性的深度预测
摘要：预测交通状况被近期探索为缓解交通拥堵的方法。有几种开创性的方法基于目标位置以及其相邻区域的交通观察，但由于缺乏道路拓扑的挖掘，它们的准确性有些有限。为了解决效果衰减问题，我们建议考虑周围位置（广于相邻范围）的交通情况。我们提出了一个端到端的框架，称为DeepTransport，其中利用卷积神经网络（CNN）和循环神经网络（RNN）来获取交通网络拓扑中的时空交通信息。此外，还引入了注意机制来对齐空间和时间信息。此外，我们构建并发布了一个具有5分钟分辨率的真实世界大型交通状况数据集。我们在这个数据集上的实验证明了我们的方法捕捉到了时空领域中复杂的关系。它明显优于传统统计方法和最前沿的深度学习方法。
作者：Xingyi Cheng, Ruiqing Zhang, Jie Zhou, Wei Xu
论文ID：1709.09585
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-08-22