Tiefes sequenzbasiertes Lernen mit Hilfsinformationen für Verkehrsprognosen

Die Vorhersage von Verkehrsbedingungen anhand online gestellter Routenabfragen ist eine herausfordernde Aufgabe, da es viele komplizierte Interaktionen zwischen Straßen und Menschenmassen gibt. In dieser Arbeit beabsichtigen wir, die Verkehrsvorhersage durch eine angemessene Integration dreier Arten impliziter, aber wesentlicher Faktoren, die in zusätzlichen Informationen kodiert sind, zu verbessern. Dies tun wir innerhalb eines Encoder-Decoder-Sequenzlernframeworks, das folgende Daten integriert: 1) Offline geografische und soziale Attribute. Zum Beispiel die geografische Struktur der Straßen oder öffentliche soziale Ereignisse wie nationale Feiern; 2) Kreuzungsinformationen von Straßen. Im Allgemeinen treten Verkehrsstockungen an wichtigen Knotenpunkten auf; 3) Online Abfragen der Menschenmassen. Zum Beispiel, wenn viele Online-Abfragen für dasselbe Ziel aufgrund einer öffentlichen Veranstaltung gestellt werden, wird der Verkehr um dieses Ziel nach einiger Zeit wahrscheinlich dichter werden. Qualitative und quantitative Experimente mit einem realweltlichen Datensatz von Baidu haben die Effektivität unseres Frameworks demonstriert.