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

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.