11.20 多任务学习在交通分析中的应用

本章对文中所提出的多任务学习方法在我国安徽和山西两省的真实高速公路交通场景中的应用进行介绍，涉及到的具体分析问题包括交通关联模式挖掘、交通流预测和交通异常监测与分析。图 3(a)为安徽省高速交通的出入口流量分配模式矩阵，其中数值较大的出入口流量集中于对角线附近，这说明安徽省高速公路网的出入口流量分配模式具有局部流量密集的特点，即短途的车流量较大。交通路网的出入口流量分配矩阵直接代表了车辆的出行模式[7] 。图 3(b) 为两省高速公路交通流全网络下一时刻流量预测的准确度 ( 其中 LWL 与 NN 分别代表局部加权学习[8]与神经网络模型，+ 代表这两种方法与本文提出的多任务模型相结合的预测模型 )。图3(c) 为交通异常分析的样例，图中为山西省高速交
通某位置点的异常流量案例。从左侧的流量曲线可以看出，该位置的车流行为在 2009 年 8 月 19 日发生了异常的高流量。右侧的权重系数矩阵由本文所提出的 DTHMTL 模型所得，其结果指明了造成该异常流量的主要原因和组成成分 ( 即趋向红色的位置点 )。上述各项应用对真实交通的疏导及管理具有十分重要的意义。