基于元胞自动机模型和 CNN-LSTM 架构的交通流预测深度学习
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
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
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
自动驾驶技术能够提高交通安全和减少事故,本研究提出了基于短期记忆 (LSTM) 网络的安全敏感深度学习模型来预测轨迹,通过考虑交互信息的意图识别模块,实现高准确性和流畅性的车道变换,并优化自动驾驶轨迹规划。
Feb, 2024
本文提出了一种用于交通预测的新型深度学习架构 Diffusion Convolutional Recurrent Neural Network (DCRNN),通过在有向图上进行双向随机游走来捕捉交通流的空间依赖性,通过编码器 - 解码器结构和计划采样来捕捉时间依赖性。在两个真实的大规模交通数据集上评估这个架构并观察到相对于现有技术的改进幅度在 12%-15%之间。
Jul, 2017
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
基于边缘计算的新型预测框架使用通过大规模测量活动在边缘获取的数据集,设计了基于卷积神经网络(CNN)和循环神经网络(RNN)的两种主要深度学习架构,并在不同训练条件下进行了测试。使用知识迁移学习(KTL)技术改进模型性能并降低计算资源需求,模拟结果表明 CNN 架构优于 RNN。提供了对所需训练能量的估计,并应用两种前沿可解释人工智能技术来解释得出的学习模型。
Oct, 2023
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。
Mar, 2020
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
提出了一种增强型移动流量预测方案,该方案结合了每日移动流量高峰时间的聚类策略和新颖的多时间卷积网络与长短期记忆模型 (multi TCN-LSTM),实验结果显示与最先进技术相比,性能提升达到 28%,证实了该方法的功效和可行性。
Dec, 2023