这一篇文章作为精读/泛读论文的一个汇总贴。
2021-2-3开始,期待刷到100篇的那一天。
交通大数据
- 主要内容:利用LSTM NN,先以历史道路速度数据为输入来预测未来的交通速度;然后又以道路速度和交通流量作为输入来预测未来的交通速度。并且通过与多种其他方法进行对比,来展示LSTM NN所展示出的良好的效果。
- 主要内容:使用深度学习架构,嵌入Stacked AutoEncoder(SAE)堆叠自编码器作为主体网络结构块来预测交通流。而且本文采用的不是SAE中的BP方法进行训练,而是采用自底向上逐层预训练的贪婪分层无监督学习算法。
- 主要内容:将降水临近预报问题定义为一个时空序列预测问题,为了更好地模拟时空关系,我们将FC-LSTM 的思想推广到卷积结构的 ConvLSTM,它在输入到状态和状态到状态的转换中都具有卷积结构。通过叠加多个 ConvLSTM 层,形成一个编码预测结构,建立短时降水预报模型。
- 主要内容:提出seq2seq,使用多层长短期记忆(LSTM)将输入序列映射到一个固定维数的向量,然后使用另一个深度LSTM从向量中解码目标序列。
- 主要内容:提出了一种基于深度学习的短时交通流预测方法。交通流数据包含三个主要特征:时间特征、空间特征和周期性特征。我们把CNN和LSTM结合起来生成一个ConvLSTM模块,用于提取交通流的时空特征,然后使用Bi-LSTM(双向LSTM,Keras中有相应模块)提取交通流的周期特征。
- 主要内容:提出一种基于CNN的交通预测方法,将交通网络作为图像进行学习,并对交通速度进行预测。先是提取交通特征,然后进行交通预测。通过与四种算法和三种深度学习架构的对比,来展示该方法的高精度。
- 主要内容:提出了一种新的时空动态网络(STDN),其中引入了一种门控机制来学习位置之间的动态相似性,并设计了一种周期性注意力转移机制来处理长期的周期性时间转移。
- 主要内容:提出了一种基于深度学习的方法,称为时空残差网络ST-ResNet,来同时预测城市中每个区域的流入和流出客流量。设计了一个残差卷积单元的分支,每个残差卷积单元对拥堵流的空间特性进行建模,ST-ResNet动态整合三个残差神经网络分支的输出,为不同的分支和区域分配不同的权重。