Einbettung von Verkehrsn Netzwerkcharakteristika mittels Tensoren zur Verbesserung der Verkehrsprognose

Techniken zur Nutzung von mehrdimensionalen Verkehrsmustern für die Verkehrsprognose gewinnen an Bedeutung. Eine der möglichen Techniken zur Darstellung der mehrdimensionalen Verkehrsmuster sind Tensoren. Die Tensorzerlegung wird verwendet, um Niederrang-Approximationen des ursprünglichen Tensors zu erzeugen, die anschließend zur Vorhersage des Verkehrsvolumens verwendet werden. Die bestehenden tensorbasierten Ansätze berücksichtigen jedoch nicht bestimmte wichtige wechselseitige Beziehungen zwischen den Standorten, wie die temporale Verkehrsrückkopplung, die die Vorhersagegenauigkeit verbessern kann. In diesem Papier stellen wir TeDCaN vor, eine „Tensorzerlegungsmethode mit charakteristischen Netzwerk“-Einschränkungen, die Niederrang-Approximationen des ursprünglichen Tensors unter Berücksichtigung der Verkehrsrückkopplung zwischen verschiedenen Standortpaaren erzeugt. Untersuchungen mit großen Verkehrsdatenmengen aus zwei verschiedenen Städten zeigen, dass die Vorhersagegenauigkeit von TeDCaN die vieler modernster Baselines erheblich übertrifft, sowohl in Fällen, in denen vollständige Verkehrsdaten verfügbar sind, als auch in Situationen, in denen ein gewisser Teil der Daten fehlt - ein wahrscheinliches Szenario in vielen realen Datensätzen. Wir entdecken, dass TeDCaN eine Reduzierung der RMSE-Werte um etwa 20 % im Vergleich zu den Baselines erreicht. TeDCaN ist in vielen Operationen in einem so großen Verkehrsnetz anwendbar, wo die bestehenden Modelle entweder nicht anwendbar oder schwer durchzuführen wären. Als eine der Hauptleistungen generiert TeDCaN eine „reduzierte dimensionale Netzwerk-Einbettung“, die die Ähnlichkeit der Knoten unter Berücksichtigung des Verkehrsvolumens sowie der Rückkopplung des Verkehrs zwischen den Knoten erfasst.