损失函数比较研究：一般和拥堵场景下的交通预测

Aug, 2023

损失函数比较研究：一般和拥堵场景下的交通预测

A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios

Yangxinyu Xie, Tanwi Mallick

TL;DR该研究探索了受重尾分析和不平衡分类问题启发的各种损失函数，以解决交通预测中拥堵预测不准确的问题。在实际交通数据集上的大量实验表明，MAE-Focal Loss 函数在优化 MAE 时最为有效，而 Gumbel Loss 函数在优化 MSE 时最佳，这些选择能有效地预测交通拥堵事件而不损害正常交通速度预测的准确性。该研究增强了深度学习模型在预测拥堵引起的突发速度变化方面的能力，并强调了进一步研究的必要性。通过提高拥堵预测的准确性，我们倡导在实际交通管理场景中使用可靠、安全和有韧性的 AI 系统。

Abstract

spatiotemporal graph neural networks have achieved state-of-the-art performance in traffic forecasting. However, they often struggle to forecast congestion accurately due to the limitations of traditional

spatiotemporal graph neural networks loss functions traffic forecasting congestion scenarios ai systems

发现论文，激发创造

可扩展的段级交通拥堵函数学习

提出并研究了一个数据驱动框架，用于在全球范围和分段细粒度上识别交通堵塞函数（宏观交通变量观测之间的数值关系）。与为每个道路估计单独的参数集的方法相比，我们的方法可以在都市区域的所有道路上学习一个单一的黑盒函数。

May, 2024

智能交通系统中应用门控图神经网络提高交通密度预测

该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs 是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs 的均方根误差为 9.10，平均绝对误差为 8.00，而 GraphSAGE 显示出改进，均方根误差为 8.3，平均绝对误差为 7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为 9.15，令人印象深刻的平均绝对误差为 7.1，使其成为最佳选择。

Oct, 2023

城市交通拥堵预测的可扩展深度流量神经网络

通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

Mar, 2017

多图时空图卷积网络用于交通流量预测

通过时空深度学习方法，提出了一个用于高速公路上每日交通流量预测的新方法，该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题，并基于图卷积网络构建了不同语义的网络来捕捉时空特征，同时利用气象和日历特征在全连接阶段提取交通流量的外部特征，经过大量实验证明该方法较基准模型在预测准确性方面有明显提升，并在商业领域带来实际效益。

Aug, 2023

MA2GCN：基于轨迹数据的交通预测的多邻接关系注意力图卷积网络

提出了一种新的交通拥堵预测模型 - 多邻接关系注意力图卷积网络（MA2GCN），通过将车辆轨迹数据转换为以网格形式的图结构化数据，提出了基于不同网格之间的移动性的车辆进出矩阵。同时，为了提高模型性能，还构建了一种新的自适应邻接矩阵生成方法和邻接矩阵注意力模块。该模型主要利用时序卷积和图卷积分别提取时空信息，并在上海出租车 GPS 轨迹数据集上表现出最佳性能。

Jan, 2024

利用 Neo4j 和深度学习进行交通拥堵模拟和优化

该研究使用知识图谱模拟交通拥堵问题，并利用负载平衡、优化算法来识别无拥堵的道路网络，同时训练 RNN-LSTM 深度学习模型进行交通预测，结果表明基于图形的交通模拟，辅以 AI ML 交通预测可更有效地估计道路网络的拥堵程度。

Apr, 2023

基于回归的损失函数在时间序列预测中的综述

本文总结了 14 个常用回归损失函数，列出了它们在时间序列预测中的应用情况，并展示了某些类别的损失函数在所有数据集上表现良好，并考虑将其作为在数据分布未知的情况下的基础目标函数。

Nov, 2022

类别不平衡节点分类的自动损失函数搜索

我们引入了一个高性能、灵活且通用的自动损失函数搜索框架来解决节点分类中的不平衡问题。在 15 种图神经网络和数据集组合中，我们的框架相比最先进方法在性能上有显著改进；此外，我们观察到图结构数据中的同质性对所提框架的可迁移性有着显著贡献。

May, 2024

在飓风疏散时为高效管理实际大型交通网络部署可扩展的流量预测模型

基于多层感知器与长短期记忆模型的交通预测系统应用于路易斯安那州实施的真实交通预测系统中，在 7 天飓风影响期间 6 小时的长期拥堵状态预测准确率达到 82％，并且短期速度预测模型在 1 至 6 小时的疏散时段中表现出 7％至 13％的均方绝对百分比误差。评估结果强调了该模型在飓风疏散过程中增强交通管理的潜力，并且实际部署显示其在广泛的交通网络中适应性和可扩展性。

Jun, 2024

基于深度神经网络的向量到向量回归问题的平均绝对误差

本文探究均方误差作为深度神经网络回归模型的损失函数的性质，提出了均方误差的新特性使其成为更适合于 DNN 的回归损失函数，并阐述了 MAE 作为拉普拉斯分布错误的模型的优越性以及实现 MAE 比 MSE 更好地拟合深度神经网络回归的性能优势。

Aug, 2020