交通网络交通预测的时空循环卷积网络
机器学习
2017-05-09 v1
摘要
预测大规模交通网络交通已成为近几十年来一个重要且具有挑战性的课题。受运动预测领域知识的启发，即物体的未来运动可基于先前场景预测，我们提出了一种能保留交通网络精细结构的网络网格表示方法。全网交通速度被转换为一系列静态图像，并输入到一种新颖的深度架构，即时空循环卷积网络（SRCNs），用于交通预测。所提出的SRCNs继承了深度卷积神经网络（DCNNs）和长短期记忆（LSTM）神经网络的优点。全网交通的空间依赖性可由DCNNs捕获，时间动态可由LSTMs学习。在包含278条链路的北京交通网络上的实验表明，SRCNs在短期和长期交通预测中均优于其他基于深度学习的算法。
引用
@article{arxiv.1705.02699,
title = {Spatiotemporal Recurrent Convolutional Networks for Traffic Prediction in Transportation Networks},
author = {Haiyang Yu and Zhihai Wu and Shuqin Wang and Yunpeng Wang and Xiaolei Ma},
journal= {arXiv preprint arXiv:1705.02699},
year = {2017}
}