[论文解读] Short-Term Traffic Flow Prediction Using Variational LSTM Networks

Mehrdad Farahani, Marzieh Davoodabadi Farahani+2 more|arXiv (Cornell University)|Feb 18, 2020

Traffic Prediction and Management Techniques参考文献 34被引用 5

一句话总结

本文提出了一种变分长短期记忆编码器（VLSTM-E），用于短期交通流预测，通过概率编码建模数据分布并处理缺失的传感器数据。该模型在PeMS数据集上的表现优于LSTM、SAEs和MCNNM，平均MSE为0.0016，MAPE为9.23%，在波动性交通条件下展现出更高的鲁棒性和准确性。

ABSTRACT

Traffic flow characteristics are one of the most critical decision-making and traffic policing factors in a region. Awareness of the predicted status of the traffic flow has prime importance in traffic management and traffic information divisions. The purpose of this research is to suggest a forecasting model for traffic flow by using deep learning techniques based on historical data in the Intelligent Transportation Systems area. The historical data collected from the Caltrans Performance Measurement Systems (PeMS) for six months in 2019. The proposed prediction model is a Variational Long Short-Term Memory Encoder in brief VLSTM-E try to estimate the flow accurately in contrast to other conventional methods. VLSTM-E can provide more reliable short-term traffic flow by considering the distribution and missing values.

研究动机与目标

• 开发一种深度学习模型，利用历史交通数据提升短期交通流预测的准确性。
• 解决交通传感器数据中缺失数据和数据分布变化带来的挑战。
• 通过概率编码增强模型在交通波动条件下的鲁棒性。
• 在预测性能上超越现有的SOTA模型，如LSTM、SAEs和MCNNM。
• 在2019年六个月的Caltrans PeMS系统真实数据上验证模型。

提出的方法

• 所提出的模型采用变分长短期记忆编码器（VLSTM-E），学习交通流序列的概率潜在表示。
• 该模型将输入序列编码为潜在变量的概率分布，实现对不确定性的感知预测。
• 通过变分推断建模底层数据分布，提升在缺失数据情况下的泛化能力。
• 网络架构通过重构损失和KL散度进行端到端训练，以平衡重构精度与潜在空间的正则性。
• 模型处理来自多个传感器的多变量时间序列，以捕捉交通流中的时空相关性。
• 评估采用标准指标：在PeMS站点716076和717060的测试数据上使用MAPE、MAE、MSE和RMSE。

实验结果

研究问题

• RQ1 与传统深度学习模型相比，变分LSTM编码器是否能提升短期交通流预测的准确性？
• RQ2 建模数据分布在缺失或噪声传感器数据存在的情况下，如何增强模型的鲁棒性？
• RQ3 VLSTM-E模型在预测交通流波动性方面，相较于LSTM、SAEs和MCNNM的性能提升程度如何？
• RQ4 概率编码机制是否能提升模型对未见交通模式的泛化能力？
• RQ5 在高交通波动或低数据可用性期间，该模型能否保持高精度？

主要发现

• VLSTM-E模型的平均MSE为0.0016，显著低于LSTM（0.0023）、SAEs（0.0030）和MCNNM（0.0106）。
• 该模型的平均MAPE为9.23%，优于LSTM（10.54%）、SAEs（14.22%）和MCNNM（27.58%）。
• 对于站点716076，VLSTM-E的MAPE为9.5954%，MSE为0.0018，优于LSTM（10.27% MAPE，0.0024 MSE）。
• 对于站点717060，VLSTM-E的MAPE为8.8625%，MSE为0.0015，优于LSTM（10.82% MAPE，0.0022 MSE）。
• 可视化对比显示，VLSTM-E在高波动性和低流量期间更贴近真实值，优于LSTM和MCNNM。
• 由于其分布感知的学习机制，该模型对缺失数据表现出更强的鲁棒性，有效减轻了对训练和推理的负面影响。