基于深度学习多任务学习的网络层级交通速度预测

1、文章信息

《A deep learning based multitask model for network-wide traffic speed prediction》。

湖南大学2020年发在Neurocomputing上的一篇文章。

2、摘要

提出了一种基于深度学习的多任务学习(MTL)网络预测模型，并介绍了两种提高预测性能的方法。利用非线性格兰杰因果分析（Granger causality analysis，一种可以衡量时间序列之间相互影响关系的方法）来检测各分支之间的时空因果关系，从而为MTL模型选择信息最丰富的特征。采用贝叶斯优化方法使用有限的计算资源对MTL模型的超参数进行优化。以中国长沙市某城市路网为例，利用出租车GPS数据进行了数值实验，得出以下结论: 基于深度学习的MTL模型优于基于单一任务学习(STL)的四种模型（门控循环单元网络，长短期记忆网络，卷积门控循环单元网络和时间卷积网络），以及其他三个经典模型(即，支持向量机，k近邻和进化模糊神经网络)。非线性格兰杰因果分析有利于为MTL模型从全网络分支中选择信息特征。与其他两种优化方法(即网格搜索和随机搜索)相比，在有限的计算成本下，贝叶斯算法在预测精度方面对MTL模型有更好的调优性能。综上所述，基于深度学习的基于非线性格兰杰因果分析和贝叶斯优化的MTL模型保证了对大规模网络交通速度的准确和高效预测。

3、创新点

（1）multi-task learning

（2）非线性格兰杰因果分析（Granger causality analysis）

（3）贝叶斯算法参数寻优

Attention

如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！