HyperAIHyperAI
vor 17 Tagen

Netzwerkebene räumlich-zeitliche Verkehrszustandsvorhersage mit hierarchischem Aufmerksamkeits-LSTM (HierAttnLSTM)

Tianya Zhang
Netzwerkebene räumlich-zeitliche Verkehrszustandsvorhersage mit hierarchischem Aufmerksamkeits-LSTM (HierAttnLSTM)
Abstract

Verkehrsstatusdaten, wie Geschwindigkeit, Verkehrsfluss und Reisezeit, die von allgegenwärtigen Verkehrsüberwachungssensoren gesammelt werden, erfordern fortgeschrittene netzwerkweite Analyseverfahren zur Vorhersage und Identifizierung signifikanter Verkehrsstrukturen. In diesem Artikel werden diverse Verkehrsstatus-Datensätze aus dem Caltrans Performance Measurement System (PeMS), die auf einer offenen Benchmark bereitgestellt sind, genutzt, um eine vielversprechende Leistung im Vergleich zu gut etablierten räumlich-zeitlichen Modellen zu erzielen. Inspiriert durch den Erfolg hierarchischer Architekturen bei verschiedenen Aufgaben im Bereich künstlicher Intelligenz (KI) integrieren wir Zell- und Versteckte Zustände von niedrigen zu hohen Ebenen in Long Short-Term Memory (LSTM)-Netzwerken unter Verwendung einer Aufmerksamkeits-Pooling-Mechanismus, der an menschliche Wahrnehmungssysteme angelehnt ist. Die entwickelte hierarchische Struktur ist darauf ausgelegt, Abhängigkeiten über verschiedene Zeitskalen hinweg zu berücksichtigen und die räumlich-zeitlichen Korrelationen netzwerkweiter Verkehrsstatusdaten zu erfassen, wodurch die Vorhersage von Verkehrsstatus für alle Korridore – und nicht nur für einzelne Strecken oder Routen – ermöglicht wird. Die Effizienz des vorgeschlagenen auf Aufmerksamkeit basierenden LSTM-Modells wird durch eine Ablationsstudie analysiert. Vergleichsergebnisse mit Baseline-LSTM-Modellen zeigen, dass das hierarchische Aufmerksamkeits-LSTM-Modell (HierAttnLSTM) nicht nur eine höhere Vorhersagegenauigkeit liefert, sondern auch ungewöhnliche Stau-Muster effektiv vorhersagen kann. Die verwendeten Daten und der Quellcode werden öffentlich zugänglich gemacht, um reproduzierbare wissenschaftliche Forschung zu unterstützen.