网络有机器学习模型吗？

Question

我正在研究一个回归问题，目标是估计整个交通网络的历史交通量。我在100个地点设置了交通计数器，因此一个模型可以了解交通量与一些解释变量(例如速度、道路特性、天气)之间的关系。之后，我可以应用该模型来估计在没有交通计数器的地方的历史交通量。

我的神经网络运行得相当好，但我想知道是否有机器学习模型可以明确地解释我的道路网络的拓扑结构，以及相邻道路上的交通是高度相关的。我可以添加“最近的交通计数器的交通量”作为我的ANN的输入变量，但我想知道是否有一种更智能的方法。

在这方面，我遇到了贝叶斯网络，它可以解释网络的拓扑结构和相关性。然而，当我们在100个位置有传感器，并且我们希望在未来的时间点预测交通状况(在这100个位置)时，它们似乎适用于这种情况。另一方面，我在100个地点进行测量，并希望在同一时间点估计不同地点的流量。

任何建议都是非常感谢的！

Answer 1

来自于测量和预测网络安全的相关领域，我强烈建议尝试一种时间序列预测。我假设您的数据是基于时间戳的(网络拥塞值，在某个时间间隔取样？)如果不跳过第二个想法)

第一个想法:我会借用时间序列的概念，把100个测量数据压平成一个基准。因此，与其：

T1+delta1，location1，messurement1

T1+delta2，location2，messurement2

T1+delta3，location3，messurement3

折叠成：

T1桶状，loc3 1，mess1，loc2，mess2，loc3，mess3。

这将有助于模型“掌握”不同测量数据之间的关系，并强调时间轴。

第二种思想将最接近的测量通过拓扑(甚至整个100个邻居)平放到每个度量行中：

其他的，topol-2，topol-2-dist，topol-2 dist，topol-2-其他

这将帮助模型“掌握”特定度量与其邻域度量之间的关系，并强调每个度量的拓扑特征。

请让我们知道这是否有帮助:)

Answer 2

一个简单的方法是使用k-最近的邻居，在这里距离度量，在你的例子中，是“道路连接的数目”。该技术在统计学习的要素的第2章和第13章中进行了描述。基本上，它将获取k最近的业务节点的平均流量。除了交叉验证和调优以找到最优的k之外，基本上不需要进行任何培训。权衡之处在于，在查询时(当您想要进行预测时)，计算量很大。

附带注意:如果还没有，我强烈建议使用像Neo4j这样的数据库来使查询链接距离更加容易。如果使用图形数据库，您可能只需使用3-4行代码就可以自己编写KNN“模型”。