[论文解读] A Comprehensive Survey on Traffic Prediction.

Xueyan Yin, Genze Wu+4 more|arXiv (Cornell University)|Apr 18, 2020

Traffic Prediction and Management Techniques被引用 52

一句话总结

本文对交通预测方法进行了全面综述，对现有方法进行分类，在公开数据集上评估最先进技术，并对交通速度与需求预测的性能进行基准测试。文章提供了分类体系，回顾了应用情况，整理了关键数据集，并指出了智能交通系统中未来的研究方向。

ABSTRACT

Traffic prediction plays an essential role in intelligent transportation system. Accurate traffic prediction can assist route planing, guide vehicle dispatching, and mitigate traffic congestion. This problem is challenging due to the complicated and dynamic spatio-temporal dependencies between different regions in the road network. Recently, a significant amount of research efforts have been devoted to this area, greatly advancing traffic prediction abilities. The purpose of this paper is to provide a comprehensive survey for traffic prediction. Specifically, we first summarize the existing traffic prediction methods, and give a taxonomy of them. Second, we list the common applications of traffic prediction and the state-of-the-art in these applications. Third, we collect and organize widely used public datasets in the existing literature. Furthermore, we give an evaluation by conducting extensive experiments to compare the performance of methods related to traffic demand and speed prediction respectively on two datasets. Finally, we discuss potential future directions.

研究动机与目标

• 为现有交通预测方法提供系统性的分类体系。
• 回顾智能交通系统中交通预测最先进技术的应用。
• 收集并组织广泛使用的公开数据集以供交通预测研究使用。
• 评估并比较交通预测模型在速度与需求预测任务上的性能表现。
• 识别开放性挑战并提出未来研究方向。

提出的方法

• 本文通过结构化文献综述，基于其底层技术将交通预测方法划分为不同类别。
• 在两个广泛使用的公开数据集上，通过大量实验评估最先进模型在速度与需求预测任务上的表现。
• 作者整理并总结了常用公开数据集，包括其特征及在以往研究中的应用情况。
• 对速度预测与需求预测模型进行了对比分析，重点关注性能指标与泛化能力。
• 综述还讨论了方法论趋势、现有方法的局限性以及潜在改进方向。
• 基于当前方法论与数据集中的空白，识别出未来研究方向。

实验结果

研究问题

• RQ1 文献中交通预测方法的主要类别与分类体系是什么？
• RQ2 最先进模型在公开数据集上的速度与需求预测任务中表现如何？
• RQ3 在交通预测研究中最广泛使用的是哪些公开数据集？其关键特征是什么？
• RQ4 速度预测模型与需求预测模型之间的关键性能差异是什么？
• RQ5 交通预测领域的主要开放挑战与未来研究方向是什么？

主要发现

• 综述识别出交通预测中的多种方法论类别，包括统计方法、机器学习方法以及基于深度学习的方法。
• 基准测试结果表明，深度学习模型，特别是利用图神经网络和注意力机制的模型，在速度与需求预测任务上均优于传统方法。
• 本文整理了一份全面的公开数据集清单，突出其空间与时间覆盖范围、数据类型以及在以往研究中的应用情况。
• 实验评估显示，基于图的模型在捕捉路网中空间依赖关系方面具有持续的性能优势。
• 本研究识别出数据稀缺性、模型泛化能力以及实时推理能力是限制进一步发展的关键挑战。
• 未来研究应聚焦于可解释人工智能、多模态数据融合，以及在多样化城市环境中的模型泛化能力提升。