XXLTraffic: 扩展且极长的交通数据集用于超动态预测挑战
介绍了一种包含 8600 个传感器的 5 年数据时间覆盖的 LargeST 基准数据集作为解决当前公共数据集限制(规模小、时间段短、缺乏元数据)所面临挑战的一种解决方案,并在其上进行深入数据分析以提取数据洞见和评估效能。
Jun, 2023
为了支持机器学习方法在预测时间序列数据方面的进展,我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化,每个数据集都被分成了训练和测试轨迹,并设定了预定的回溯长度。通过对经典和先进的模型(即 LSTM,DeepAR,NLinear,N-Hits,PatchTST,和 LatentODE)进行广泛的基准分析,我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较,突显了模型效果与数据集有关的特性。值得注意的是,我们引入了一个定制的 latent NLinear 模型并且通过课程学习阶段提高了 DeepAR 的性能,它们在效果上始终优于其原始版本。
Sep, 2023
本文介绍了一种新颖的时间关注跨模态变压器模型,即 xMTrans,具备探索两种模态数据之间的时间相关性的能力,用于长期交通预测,通过对真实世界数据集上的交通拥堵和出租车需求预测进行广泛实验,结果显示 xMTrans 在长期交通预测方面优于最新的先进方法,此外,还进行了全面的消融研究,以进一步分析 xMTrans 中的每个模块的有效性。
May, 2024
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。
Oct, 2023
研究探索了如何将生成模型与描述交通系统的文本结合起来应用于交通生成,并命名为 Text-to-Traffic Generation (TTG) 任务。通过将扩散模型与图卷积网络 (Graph Convolutional Network, GCN) 相结合,提出了 ChatTraffic,这是第一个用于文本到交通生成的扩散模型。实验结果表明 ChatTraffic 可以从文本中生成逼真的交通情况。
Mar, 2024
本文旨在通过将社交媒体功能纳入考虑范围,以提供一个灵活全面的框架,在交通强度和 Twitter 数据强度之间建立相关性,并将两个时间序列数据馈入我们的 Traffic-Twitter Transformer,为长期交通预测提供自然语言表示。实验结果表明,这种纳入 NLP 的社交感知框架能够成为交通机构网络广泛预测和管理的有价值的实现。
Jun, 2022
本研究提出了 Traffic Transformer 模型,通过多头和掩码多头机制,动态地从数据中抽取时空特征,提高了交通预测性能,比现有技术表现更好。
Apr, 2021
本文针对自动驾驶系统中交通预测中的长尾分布的挑战性场景,通过优化损失函数设计,提出了一种让相似的场景更靠近一起,从而分享信息和学习特定预测特征的方法,证明在四个公共数据集上,该方法可以提高挑战性场景的预测性能,同时保持总性能稳定。该方法与已有的解决方案相兼容,使用不同网络体系结构、输入模态或视角都能无缝集成。
Mar, 2021
TrafficTL 是一种跨城市交通预测方法,使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测,并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明,TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。
Mar, 2023
该研究分析了城市交通通量与污染之间的相关性,并开发了一个警报系统来预测未来 30 分钟内某条街道是否会遇到异常高的交通流量,使用每 10 分钟更新的交通数据和长短期记忆(LSTM)神经网络进行预测。
Sep, 2023