通过共享Koopman特征模态进行城市交通分析与预测
Urban traffic analysis and forecasting through shared Koopman eigenmodes
AI总结：
针对数据稀缺城市的交通流量预测难题，提出基于约束汉克尔化DMD（TrHDMD）的跨城市迁移学习方法，通过提取并共享数据丰富城市的稳定Koopman特征模态（城市心跳），显著提升了数据稀缺城市的预测准确性与交通管理能力。
摘要：
由于历史数据有限，在数据稀缺的城市中预测交通流量具有挑战性。为解决此问题，我们利用迁移学习，通过一种定制的动态模态分解（DMD）变体：约束汉克尔化DMD（TrHDMD），来识别数据丰富城市中常见的周期性模式。该方法揭示了交通模式中的共同特征模态（城市心跳），并将其迁移到数据稀缺的城市，从而显著提升预测性能。TrHDMD通过利用来自其他城市的先验知识，减少了对大量训练数据集的需求。通过将Koopman算子理论应用于多城市环形线圈检测器数据，我们识别出了稳定、可解释且时不变的交通模态。将“城市心跳”注入预测任务中提高了预测准确性，并有望提升具有不同数据基础设施城市的交通管理策略。我们的工作引入了通过共享Koopman特征模态进行跨城市知识迁移的方法，为数据稀缺的城市环境提供可操作的见解和可靠的预测。
英文摘要：
Predicting traffic flow in data-scarce cities is challenging due to limited historical data. To address this, we leverage transfer learning by identifying periodic patterns common to data-rich cities using a customized variant of Dynamic Mode Decomposition (DMD): constrained Hankelized DMD (TrHDMD). This method uncovers common eigenmodes (urban heartbeats) in traffic patterns and transfers them to data-scarce cities, significantly enhancing prediction performance. TrHDMD reduces the need for extensive training datasets by utilizing prior knowledge from other cities. By applying Koopman operator theory to multi-city loop detector data, we identify stable, interpretable, and time-invariant traffic modes. Injecting ``urban heartbeats'' into forecasting tasks improves prediction accuracy and has the potential to enhance traffic management strategies for cities with varying data infrastructures. Our work introduces cross-city knowledge transfer via shared Koopman eigenmodes, offering actionable insights and reliable forecasts for data-scarce urban environments.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
