TITAN: A Spatiotemporal Feature Learning Framework for Traffic Incident Duration Prediction

识别交通事件关键阶段并合理预测交通事件持续时间是交通事件管理的重要内容。提出了一种交通事件持续时间预测模型，通过多任务学习框架，在预测交通事件影响的同时识别出关键的时间特征组。首先，提出基于交通速度数据提取低层特征的稀疏性优化问题，然后将高层特征推广为交通事件的各个阶段。其次，利用路网空间连通性的先验知识，提出新的特征相似度约束来预测事件持续时间。该问题具有正交性约束、非凸性目标和非光滑惩罚等特点，具有一定的挑战性。基于交替方向乘子法(alternating direction method of multipliers, ADMM)框架，提出了一种求解该公式的算法。在真实交通数据和交通事故记录上进行了大量的实验，并与其他模型进行了比较，验证了该模型的有效性。

阅读者总结：文中的关键点在于将交通识别事件转化为机器学习的优化问题，应该说这种方法能够有效地找出，当然这类问题的难点在于问题建模过程，然后采用相关的方法进行优化分解，当前采用的优化方法主要是交替乘子法。

问题：之前提出的方法中没有一种能够在更高层次上建模特征之间的空间连接。因此，现有的大多数模型都不适合我们的交通事件持续时间预测问题。为了应对这些挑战，我们提出了交通事故
基于稀疏特征学习和多任务学习框架的持续时间预测(TITAN)模型

 Group Feature Learning

 

 

 

 

 PARAMETER LEARNING FOR TITAN

式7中的目标函数是多凸的，正则化器ℓ2,1是非光滑的。我们提出了一个基于admm的算法1，可以有效地优化所提出的模型。

 

 

 实验