【综述】交通流量预测，附15页论文下载

2020 年 4 月 23 日 专知

【简介】在智能交通系统中交通预测扮演着重要的角色。精准的交通预测有助于优化通行路线，指导车辆调度，缓解交通拥堵。由于道路网络中不同区域之间复杂且动态的时空依赖关系，这一问题具有很大挑战性。最近几年，有大量的研究工作推进了这一领域的发展，提高了交通系统预测交通的能力。这篇论文对于近些年的交通预测发展提供了一个全面的综述。具体来说，我们对目前的交通预测方法进行了总结，并且对它们进行了分类。然后，我们列举了应用交通预测的常见领域，以及这些应用任务的最新进展。同时，我们也收集和整理了几个相关的公共数据集，并分别在两个数据集上通过对相关的交通预测方法的表现进行了评估。最后，我们对这一领域未来的发展方向进行了探讨。

介绍

现代城市正在逐渐转变为智能型城市。城市化进程的加快和城市人口的快速增长给城市交通管理带来了巨大的压力。智能交通系统(ITS)则是智能型城市中不可或缺的一部分，而交通预测是ITS发展的基石。精准的交通预测对于现实世界中的诸多应用非常重要，例如，打车需求预测可以促使汽车共享公司提前将汽车分配到高需求区域。不断增长且可用的交通数据集为我们探索这一问题提供了新的潜在视角。

交通预测的挑战性主要来自以下两个方面：

由于交通数据具有时空特性，它会随着时间和空间特性不断的发生变化，数据之间具有非常复杂且动态变化的时空依赖关系。
外部因素。交通时空序列数据也受外部因素的影响，诸如天气状况，突发事件或者路况。总的来说，交通数据在空间和时间维度上展现出了强大的动态关联。因此，如何挖掘其中非线性和复杂的时空关联以便于做出精准的交通预测是当前非常受关注的一个研究方向。

据我们所知，本文首先从多个视角对目前表现优异的交通预测方法进行了全面的综述，其中包括各种方法，相关的应用，数据集以及实验评估。我们的贡献可以总结如下：

我们首先对现有的方法进行分类，并且对模型的关键之处进行详细的描述。
我们收集和整理了可用于交通预测的公共数据集，这有助于其他研究者进行相关的研究。
我们通过对比实验来评估不同的模型，确定每个模型最有效的组成部分。
我们进一步讨论了现有解决方案存在的局限性，并列举了该领域未来的研究方向。

文章目录

section 2:介绍传统的交通预测方法。

section 3:对基于深度学习的交通预测方法进行了回顾，包括对时空相关的数据进行建模的方法。

section 4:列举了常见的预测任务，并给出每个任务的最新进展。

section 5:收集和整理了几个相关的公共数据集。

section 6:在两个数据集上对现有的方法进行比较和评估。

section 7:讨论了未来交通预测的几个重要方向，并给出了一些开放性问题。

section 8:总结。

section 2：传统方法

经典的统计学模型和机器学习模型是两种具有代表性的交通预测方法。在时间序列分析中,差分整合移动平均自回归模型(ARIMA)以及它的变体是基于经典统计学的综合性的方法之一，在交通预测问题中得到了广泛的应用。然而，这些方法都是基于小数据集设计的，并不适合对复杂且动态变化的时序数据关系进行研究。此外，上述方法由于通常只考虑时间信息，忽略了交通数据的空间依赖性。

section 3:深度学习方法

与传统方法相比，深度学习模型利用了更多的特征和更复杂的体系结构，可以获得更好的性能。他们已经被广泛地应用到交通预测任务中。在这一章节中，我们根据模型如何建模时空关系来回顾近些年来各种基于深度学习的交通预测方法。