Oct, 2023
提取环路检测数据集的信息本质:网络级交通预测需要更多数据吗?
Distil the informative essence of loop detector data set: Is network-level traffic forecasting hungry for more data?
Guopeng Li, Victor L. Knoop, J.W.C., van Lint
TL;DR提出了一种基于不确定性感知的交通预测框架,通过结合交通流理论和图神经网络的模型设计,在单次模型训练中能够量化不同来源的不确定性,并利用预测集的估计不确定性来筛选出足够包含信息内容的数据集。实证研究结果表明,从 2018 年到 2021 年,白天超过 80% 的交通数据可以被删除,而剩余 20% 的样本对于训练模型具有相同的预测能力,从而证明了该方法在评估大型交通数据集的实际信息内容方面的价值。