PCNN：用于短期交通拥堵预测的深度卷积神经网络

Mar, 2020

PCNN：用于短期交通拥堵预测的深度卷积神经网络

PCNN: Deep Convolutional Networks for Short-term Traffic Congestion Prediction

Meng Chen, Xiaohui Yu, Yang Liu

TL;DR本文提出一种名为 PCNN 的基于深度卷积神经网络的短期交通拥堵预测方法，通过时间序列折叠和多粒度学习手段，将交通数据转化为二维矩阵输入，并在局部和宏观层面对交通拥堵进行建模和预测，实验结果表明 PCNN 对于预测短期交通拥堵具有显著优势。

Abstract

Traffic problems have seriously affected people's life quality and urban development, and forecasting the short-term traffic congestion is of great importance to both individuals and governments. However, understanding and modeling the traffic conditions can be extremely difficult, and

traffic congestion short-term prediction deep learning convolutional neural network periodic traffic data

发现论文，激发创造

城市交通拥堵预测的可扩展深度流量神经网络

通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

Mar, 2017

Traffic Graph Convolutional Recurrent Neural Network: 网络规模交通学习与预测的深度学习框架

通过学习交通网络图形并提出一种新的深度学习框架，Traffic Graph Convolutional Long Short-Term Memory Neural Network（TGC-LSTM），我们可以更好地进行交通预测，从而在两个真实的交通状态数据集上优于基准方法。

Feb, 2018

将交通视为图像：用深度卷积神经网络对大规模交通网络速度进行预测

本文提出了一种基于卷积神经网络的方法，将交通数据通过二维时间空间矩阵转化成图像进行处理，并预测大规模网络流量，实验结果表明该方法在处理大规模交通网络数据方面表现出较高的准确性。

Jan, 2017

多图时空图卷积网络用于交通流量预测

通过时空深度学习方法，提出了一个用于高速公路上每日交通流量预测的新方法，该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题，并基于图卷积网络构建了不同语义的网络来捕捉时空特征，同时利用气象和日历特征在全连接阶段提取交通流量的外部特征，经过大量实验证明该方法较基准模型在预测准确性方面有明显提升，并在商业领域带来实际效益。

Aug, 2023

基于多图卷积神经网络模型的信号化路口短期转向动作预测

交通流量预测是智能主动交通管理的关键第一步。本研究引入了一种新型的深度学习架构，称为多图卷积神经网络（MGCNN），用于交叉口的转弯动作预测，并通过在时间和空间上建模交通数据的变化来改善预测性能。在实验中，该模型在对比其他四种基准模型的情况下表现出更好的预测结果，平均均方误差（MSE）为 0.9。

Jun, 2024

基于时空相关性的混合深度学习框架的短期交通流量预测

本文提出了一种新颖的基于 CNN 和 LSTM 结合的深度学习体系结构来预测未来的交通流量，通过开放数据集进行实验，结果表明该方法具有显著的优势，并从 Granger 因果性的角度对其进行了分析探讨。

Dec, 2016

基于深度卷积神经网络的交通拥堵预测：一种颜色编码方法

本研究提出了一种利用颜色编码方案对交通视频进行分类的方法，并使用深度卷积神经网络进行训练，通过实验得到 98.2% 的分类准确率。

Sep, 2022

交通网络中时空循环卷积网络用于交通预测

提出了一种基于运动预测领域知识的网络网格表示方法，将网络整体交通速度转换为静态图像，并输入一种新的深度体系结构 —— 时空循环卷积网络 (SRCNs)，可以用于交通预测，实验证明其在短期和长期交通预测方面优于其他基于深度学习的算法。

May, 2017

DeepTransport: 学习交通状况预测的时空依赖关系

提出了一种名为 DeepTransport 的端到端框架，其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息，并引入注意力机制以对齐空间和时间信息，并构建并发布实时大规模交通状况数据集，经实验证明，该方法在时空领域捕捉了复杂的关系，相对于传统的统计方法和最先进的深度学习方法，取得了显著的性能提升。

Sep, 2017

基于元胞自动机模型和 CNN-LSTM 架构的交通流预测深度学习

基于卷积神经网络（CNNs）和长短期记忆（LSTM）深度学习架构，利用基于元胞自动机的统计力学模型预测交通流量，并通过观察统计力学模型的归一化能量分布的尺度不变性，采样模拟数据来生成大规模交通系统的训练和测试数据，结果显示预测与真实交通流动态之间存在良好的一致性。

Mar, 2024