短期交通流量预测的混合隐马尔可夫 LSTM 模型
本文介绍了一种利用长短时记忆模型和隐马尔科夫模型相结合的方法来提高循环神经网络的可解释性的途径,并在文本数据和医疗时间序列数据上测试了该算法,发现 LSTM 和 HMM 学习文本特征的信息互为补充。
Nov, 2016
本文介绍 LSTM 模型的结构和前向传播机制,提出了 Random Connectivity LSTM(RCLSTM)模型,并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性,同时具有计算复杂度更低的优点
Oct, 2018
本文提出了一种基于 LSTM RNN 框架的网络流量长短期预测方法,并在 GEANT 网络实验数据中验证表明,该方法可以很快地收敛且在相对较小的模型中取得了最先进的短期和长期流量矩阵预测性能。
May, 2017
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
本文提出了一种混合多模态深度学习方法用于短期交通流量预测,可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系,通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明,该模型能够有效地处理复杂的非线性城市交通流预测问题。
Mar, 2018
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
使用基于数据驱动的长短时记忆(LSTM)循环神经网络的预测方法,展示了该方法在高维混沌系统中的定量预测效果,并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比,LSTM 在所有应用中都表现出更好的短期预测准确性,并且 MSM-LSTM 可以保证收敛到不变措施。
Feb, 2018
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