堆叠双向和单向 LSTM 循环神经网络用于具有缺失值的网络宽度交通状态预测

May, 2020

堆叠双向和单向 LSTM 循环神经网络用于具有缺失值的网络宽度交通状态预测

Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network for Forecasting Network-wide Traffic State with Missing Values

PDF

Zhiyong Cui, Ruimin Ke, Ziyuan Pu, Yinhai Wang

TL;DR本文提出了基于深度学习方法，特别是循环神经网络的短期交通预测模型，其中采用双向 LSTM 等技术来处理空间 - 时间数据中的缺失值，实验结果表明该模型在准确性和鲁棒性方面的表现优异。

Abstract

short-term traffic forecasting based on deep learning methods, especially recurrent neural networks (RNN), has received much attention in

short-term traffic forecasting deep learning methods recurrent neural networks spatial-temporal data missing data

发现论文，激发创造

用于整个网络交通速度预测的深度双向和单向 LSTM 递归神经网络

本文提出了一种基于深度双向和单向 LSTM 神经网络的交通速度预测模型，该模型可以处理缺失值，适用于高速公路和城市道路等复杂网络，比其他模型更准确和稳健。

Jan, 2018

短期交通流量预测的混合隐马尔可夫 LSTM 模型

这篇研究提出了一种混合隐藏马尔可夫 - LSTM 模型，用于交通流预测，相比于传统方法，如 Markov 切换 ARIMA 和 LSTM，该模型具有显着的性能提升。

Jul, 2023

比较 LSTM 和双向 LSTM 深度神经网络在电力消耗预测中的应用

比较了两种深度学习模型 —— 长短期记忆网络（LSTM）和双向 LSTM（BLSTM）在电力消耗时间序列（TS）短期预测方面的效果，利用不同背景和规模的四个数据集，其中 BLSTM 表现优于 LSTM。

May, 2023

应用于句子分类的密集连接双向 LSTM

本文提出了一种新的多层 RNN 模型 —— 密集连接的双向长短期记忆网络 (DC-Bi-LSTM)，并在五个句子分类基准数据集上进行了评估。结果显示，相比同等或更少的参数的传统双向 LSTM，深度为 20 的 DC-Bi-LSTM 模型可以成功训练，并获得了显著的改进。此外，与最先进方法相比，我们的模型表现具有很好的潜力。

Feb, 2018

中文分词的双向 LSTM 循环神经网络

本文研究了使用双向长短时记忆循环神经网络进行中文分词的方法，实验结果表明，该方法在传统和简体中文数据集上均取得了最佳的性能。

Feb, 2016

一个统一的标注解决方案：使用词嵌入的双向 LSTM 递归神经网络

本研究提出了一种基于双向长短期记忆递归神经网络（BLSTM-RNN）的统一标记解决方案，可应用于各种标记任务，包括词性标注、分块和命名实体识别，该方法利用从无标记文本中学习的一组独立任务特征和内部表示，并不需要特定的任务知识或复杂的特征工程，在所有这三个标记任务中获得了几乎最先进的性能。

Nov, 2015

ARIMA、LSTM 和 BiLSTM 预测金融时间序列的比较分析

本研究比较了双向 LSTM 和单向 LSTM 在时间序列预测中的性能，结果表明双向 LSTM 的附加训练可提高预测准确性，相较于 ARIMA 甚至单向 LSTM，双向 LSTM 的预测效果更佳，但是收敛速度较慢。

Nov, 2019

使用双向 LSTM 进行犹豫检测

本文提出了一种利用双向 LSTM 神经网络进行自修复检测的方法，并使用模式匹配特征来降低对于词汇量的敏感度，提高了模型的性能。实验结果表明，在 Switchboard 语料库中，模型在标准的自修复检测任务和纠正检测任务中均表现出了出色的性能，特别是将非重复性的自修复鉴别效果提升明显。

Apr, 2016

使用混合深度神经网络从不完整数据中学习时空特征进行交通流预测

本文旨在探讨使用基于数据驱动模型的混合深度神经网络进行交通流预测的方法，针对加利福尼亚高速公路交通预测系统（PeMS）中的数据缺失问题，综合运用循环神经网络（RNNs）和卷积神经网络（CNNs）的空时关联性将邻近站点的数据融合，并使用多种数据预处理技术来提升模型的健壮性。结果表明，在数据缺失率达到 21% 以下时，采用平均值插补技术的混合模型的预测精度最高。

Apr, 2022

基于层次 LSTM 和注意力机制的网络级短时旅行时间大数据分析

本文通过使用 Apache Spark 和 Apache MXNet 等大数据分析引擎，利用 Caltrans PeMS 系统的大规模旅行时间数据集设计了一个 Hierarchical LSTM with Attention (HierLSTMat) 模型来预测整个路网的旅行时间。实验结果表明该模型可以在多个计算时间内成功预测未知拥堵情况，并获得了比流行数据科学和深度学习框架更高的效率。

Jan, 2022