可扩展的带有全协方差的概率性交通预测动态混合模型
摘要：基于深度学习的多元多步骤交通预测模型通常在序列到序列的设置中使用均方误差（MSE）或平均绝对误差（MAE）作为损失函数，简单地假设错误服从独立和各向同性的高斯或拉普拉斯分布。然而，对于现实世界的交通预测任务，这些假设往往是不切实际的，因为时空预测的概率分布在时间变化时具有强烈的传感器和预测时段之间的并发关联。在本文中，我们将矩阵变量误差过程的时变分布建模为零均值高斯分布的动态混合。为了实现效率、灵活性和可扩展性，我们使用矩阵正态分布参数化每个混合分量，并允许混合权重随时间改变并可预测。所提出的方法可以无缝地集成到现有的深度学习框架中，只需要学习一些额外的参数。我们在交通速度预测任务上评估了所提出方法的性能，并发现我们的方法不仅提高了模型性能，还提供了可解释的时空相关结构。
作者：Seongjin Choi, Nicolas Saunier, Vincent Zhihao Zheng, Martin Trepanier, Lijun Sun
论文ID：2212.06653
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-22