DeepTrend：一种用于交通流预测的深度分层神经网络
机器学习
2017-07-12 v1
摘要
在本文中，我们考虑交通流时间序列中的时间模式，并实现一个用于交通流预测的深度学习模型。基于去趋势的方法将原始流序列分解为趋势和残差序列，其中趋势描述交通流中的固定时间模式，残差序列用于预测。受去趋势方法启发，我们提出DeepTrend，一种用于交通流预测的深度分层神经网络，其考虑并提取时变趋势。DeepTrend有两个堆叠层：提取层和预测层。提取层是一个全连接层，通过输入与相应简单平均趋势序列拼接的原始流序列来提取交通流中的时变趋势。预测层是一个LSTM层，通过输入从提取层输出获得的趋势和计算出的残差序列来进行流预测。为使模型更有效，DeepTrend需要先逐层预训练，然后在整个网络中进行微调。实验表明，与一些传统预测模型以及基于去趋势方法的LSTM相比，DeepTrend能显著提升预测性能。
引用
@article{arxiv.1707.03213,
title = {DeepTrend: A Deep Hierarchical Neural Network for Traffic Flow Prediction},
author = {Xingyuan Dai and Rui Fu and Yilun Lin and Li Li and Fei-Yue Wang},
journal= {arXiv preprint arXiv:1707.03213},
year = {2017}
}