Feb, 2024

实时瓶颈和冲击波预测的中尺度交通预测

PDF
TL;DR本文介绍了 SA-LSTM，一种深度预测方法，通过在空间维度上集成自注意力 (SA) 和长短期记忆 (LSTM)，在实时中尺度交通预测方面取得了最先进的结果，并将此方法扩展到多步预测，从而在短期和长期预测之间取得了传统多步预测方法无法匹敌的平衡，并且在实时运行中实现了这些功能。
real-time traffic state forecastingcircles consortium projectsa-lstmself-attentionmulti-step forecasting
发现论文，激发创造
  • 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

  • 卷积长短时记忆多业务移动流量预测

    本文提出了一种基于序列到序列学习（S2S）和卷积长短时记忆（ConvLSTMs）的方法，用于解决多服务移动流量预测问题，实验表明该方法能够准确地预测不同服务在城市层面上未来一小时的需求量，其平均绝对误差低于 13KBps，并且优于其他深度学习方法高达 31.2%。

    May, 2019

  • 大规模机器类通信中的 RACH 流量预测

    通过使用机器学习网络，本文针对多信道随机接入网络中的突发流量，提出了一种轻量级灵活的框架，并通过在线预测算法实时更新网络状态，实现了对突发流量的准确预测，提高了长期预测精度达到 52%。

    May, 2024

  • 利用外部信息进行的全网交通状态预测：一种基于多维图注意力的方法

    交通状态预测对于交通管理和控制策略、用户和系统级决策制定在交通网络中至关重要。本文提出了一种基于多维时空图注意力的交通预测方法（M-STGAT），该方法通过过去的速度观测、车道封闭事件、温度和可见度等交通网络上的观测变量来预测交通状况。数值实验表明，M-STGAT 在采用我们的主要数据集进行 30、45 和 60 分钟的预测时，以三个误差度量指标（平均绝对误差、均方根误差和平均绝对百分比误差）胜过了其他三种不允许多维输入的模型。然而，该模型的可转移性可能因不同的转移数据集而有所差异，这个方面可能需要进一步研究。

    Oct, 2023

  • ST-SSMs：交通预测的时空选择性空间模型

    准确高效的交通预测对智能交通系统的规划、管理和控制至关重要。本文介绍了一种创新的交通流预测方法，即空间 - 时间选择性状态空间模型（ST-SSMs），采用了创新的 ST-Mamba 块，可以在较少的计算成本下实现良好的预测准确性。通过对多样化的真实数据集进行严格测试，ST-SSMs 模型在预测准确性和计算简易性方面呈现出异常的改进，为交通流预测领域树立了新的基准。

    Apr, 2024

  • 基于元胞自动机模型和 CNN-LSTM 架构的交通流预测深度学习

    基于卷积神经网络（CNNs）和长短期记忆（LSTM）深度学习架构，利用基于元胞自动机的统计力学模型预测交通流量，并通过观察统计力学模型的归一化能量分布的尺度不变性，采样模拟数据来生成大规模交通系统的训练和测试数据，结果显示预测与真实交通流动态之间存在良好的一致性。

    Mar, 2024

  • TrafficPredict: 面向异构交通行为的轨迹预测

    提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict，通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性，应用于自动驾驶交通领域，较之先前的算法具有更高的准确性。

    Nov, 2018

  • 基于层次 LSTM 和注意力机制的网络级短时旅行时间大数据分析

    本文通过使用 Apache Spark 和 Apache MXNet 等大数据分析引擎，利用 Caltrans PeMS 系统的大规模旅行时间数据集设计了一个 Hierarchical LSTM with Attention (HierLSTMat) 模型来预测整个路网的旅行时间。实验结果表明该模型可以在多个计算时间内成功预测未知拥堵情况，并获得了比流行数据科学和深度学习框架更高的效率。

    Jan, 2022

  • 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

  • LASIL: 面向学习者感知的长期微观交通模拟的有监督模仿学习

    本文介绍了一种称为学习者感知的监督式模仿学习模型，用于解决多智能体模仿学习中的协变量转移问题，通过利用变分自动编码器同时建模专家和学习者状态分布，在城市交通仿真中应用，展示了在真实数据集 pNEUMA 上在短期微观和长期宏观仿真中相较于现有 baselines 的显著改进。

    Mar, 2024