时间回溯和交通速度系列的多步延迟预测gydF4y2Ba

文摘gydF4y2Ba

作为一个典型的时间序列,数据序列的长度对于交通状态预测的准确性是至关重要的。为了充分探索交通数据之间的因果关系,本研究建立了一个时间回溯和多步延迟模型基于递归神经网络(RNNs)学习和提取的长期和短期依赖交通状态数据。与一个真正的交通数据集,坐标下降算法来搜索和确定最优回溯流量序列的长度,延迟和多步预测进行演示延迟步骤和预测精度之间的关系。除此之外,三个变体之间的性能比较RNNs (LSTM、格勒乌和BiLSTM)和6个常用模型、决策树(DT)、支持向量机(SVM),gydF4y2BakgydF4y2Ba最近的邻居(资讯),随机森林(RF),梯度提高决策树(GBDT)和堆叠autoencoder (SAE)。连续延迟十步的预测结果表明,RNNs的精度远优于其他模型,因为更强大的和准确的代表能力在时间序列模式。也证明了RNNs可以学习和我长时间依赖关系。gydF4y2Ba

1。介绍gydF4y2Ba

作为一种不可缺少的交通工具,汽车给我们的日常生活带来了前所未有的便利。与此同时,他们也带来了许多社会问题,如交通拥堵、能源危机,和空气污染,已经引起全世界的普遍关注gydF4y2Ba1gydF4y2Ba,gydF4y2Ba2gydF4y2Ba]。现代智能交通系统(ITS)是实际(也许是唯一的)方式来解决这些日益严重的问题gydF4y2Ba3gydF4y2Ba]。其中,先进的旅行者信息系统(ATIS航站)和先进的交通管理系统(ATMS)正在更新路由信息的巨大作用,预测未来的交通状况,减少交通拥堵,提高交通网络的整体效率(gydF4y2Ba4gydF4y2Ba,gydF4y2Ba5gydF4y2Ba]。作为智能交通系统的基础,交通流预测的发展至关重要。准确和可靠的交通状态预测可以帮助道路使用者和管理者掌握实时交通状态和计划旅游路线更合理。客观的,它还可以减少环境污染和提高智能城市的管理艺术gydF4y2Ba6gydF4y2Ba]。gydF4y2Ba

由于主观性和旅游需求的随机特性,交通流的状态显示不同的模式在各种因素的影响下(gydF4y2Ba7gydF4y2Ba]。不容易准确地预测未来的交通状况。近年来,随着交通的快速传播传感器,实时交通数据不断收集和存储。交通数据评估交通状况起着重要的作用,在城市交通智能管理的应用gydF4y2Ba8gydF4y2Ba]。丰富的历史数据可以准确地预测未来的交通模式,这也导致了大量的数据驱动的交通预测研究。gydF4y2Ba

与此同时,交通流有很强的相关性。每天重复同样的周期,从早上的低流量高流量在工作时间,最后在晚上回到低流量。这个周期特性使得交通状态数据一个典型的时间序列,每个系列中的数据与时间有关。时间和序列特征的重要属性,是不容忽视的交通状态数据。通过识别和利用交通模式之间的相关性和语境因素(gydF4y2Ba9gydF4y2Ba),交通模式挖掘的数据序列将反映未来的交通状态。gydF4y2Ba

在所有的时间序列预测方法,深度学习方法通常表现出更好的性能。特别是复发性神经网络(RNNs)比其他模型时间序列分析更有优势,因为他们可以记住他们的内部状态流程输入序列(gydF4y2Ba10gydF4y2Ba]。长短期记忆(LSTM)神经网络,作为RNNs的最受欢迎的变体,近年来得到太多的关注(gydF4y2Ba11gydF4y2Ba]。然而,深度学习方法在交通预测的潜力还没有完全被利用(gydF4y2Ba12gydF4y2Ba]。然而,[LSTM可以自动确定最优的时间滞后gydF4y2Ba13gydF4y2Ba),以获得更好的准确性,发现最优时间滞后设置很大程度上依靠试错的方法。显然,如果数据序列太短,不可能完全探索时间序列之间的关系,从而直接导致预测精度下降。然而,太多的回溯步骤将带来更多的计算,但不会显著提高预测精度。如何在序列长度和预测精度之间取得平衡是一个重要的因素的研究。gydF4y2Ba

本文研究的另一个问题是预测跨多个步骤的时间。几乎所有当前的研究专注于下一个时间步的预测,以及预测的延迟,跳过多个时间步骤是非常罕见的。使用当前时间间隔的数据和模型预测交通状况后多个时间步骤(例如,2小时,3天)在实际应用中具有重要意义。它可以帮助游客和经理事先预测交通状况,尽早采取对策。同样,步骤跨度的时间越多,越预测误差将会增加。因此,本文研究的另一个焦点的数量之间的关系和影响延迟步骤和预测精度满足实际应用的需要,为未来的研究提供灵感。gydF4y2Ba

为了充分探索颞交通序列之间的关系,一个LSTM更强大和更精确的时间序列模式建立了学习能力学习和提取长期和短期的时间依赖关系。同时,坐标下降算法用于搜索和确定的回溯长度连续的数据。最后,交通状态预测的多步延迟进行评估延迟步骤之间的相关性和预测精度。gydF4y2Ba

基于上述讨论,本文的贡献三倍:(1)交通序列预测模型与多步延迟成立,和最优回溯长度序列是由坐标下降算法。(2)之间的近似线性关系预测准确性和延迟的步骤是评估和演示。(3)发现RNNs可以学习和代表长时间依赖和非常适用于时间序列的因果关系挖掘。此外,本研究也对实际交通管理具有重要意义。回溯步骤的数目的优化可以提高交通预测的准确性和可靠性,避免浪费更多的计算资源。它还可以保证预测的可靠性和实时性。多步延迟预测可以帮助管理使用有限序列数据感知长期尽早路网条件和调整道路控制计划。长期预测在多个管理部门出具时间步骤也可以帮助游客掌握动态交通改变整个旅行期间,帮助选择更优化的旅行路线避免拥挤。尤其是在高峰小时紧急情况,提供早期预警的交通状况的能力在多个时间交通管理措施将带来更多的好处和旅行计划。gydF4y2Ba

本文的其余部分组织如下:gydF4y2Ba第二节gydF4y2Ba回顾了相关的交通状态预测工作。gydF4y2Ba第三节gydF4y2Ba介绍了数据定义和方法。gydF4y2Ba第四节gydF4y2Ba证明了优化过程的时间回溯和评估延迟多步预测的性能。最后,结论是未来在最后一部分工作。gydF4y2Ba

2。文献综述gydF4y2Ba

持续改进的人工智能理论、机器学习算法广泛应用于交通流预测,如决策树(DT) [gydF4y2Ba14gydF4y2Ba),支持向量机(SVM) [gydF4y2Ba15gydF4y2Ba),gydF4y2BakgydF4y2Ba最近的邻居(资讯)gydF4y2Ba16gydF4y2Ba),随机森林(RF) (gydF4y2Ba17gydF4y2Ba),梯度提高决策树(GBDT) [gydF4y2Ba18gydF4y2Ba]。由于强大的非线性逼近能力,机器学习方法适合短期交通流预测,并有很强的随机性,可以获得良好的预测精度。汉等人表明,机器学习方法(尤其是支持向量机和神经网络)可以清楚地表现两个传统统计模型(gydF4y2Ba19gydF4y2Ba]。gydF4y2Ba

然而,由于机器学习方法的较浅的架构和缺乏更深层次的表示能力,大多数机器学习很难预测模型挖掘更深层次的抽象的交通数据之间的关系。此外,许多预测算法通常需要手工调整的参数。这通常需要的经验和技能,这是非常耗时的,极大地限制了实际应用。gydF4y2Ba

2006年,辛顿训练多层神经网络重构高维输入向量,提出一种分层初始化训练方法解决深层神经网络的参数训练问题(款)gydF4y2Ba20.gydF4y2Ba]。从那时起,深度学习的新时代已经开始。从本质上讲,深度学习是一个扩张的浅神经网络的层数。层数的增加使深层神经网络非线性抽象和表达能力。例如,黄等人结合深度信念网络与多任务回归层交通流预测和提出了一个深架构(gydF4y2Ba21gydF4y2Ba]。周等人提出了一种自适应提升方案,乐团训练节约改善交通流量预测的准确性(gydF4y2Ba22gydF4y2Ba]。张等人提出一个短期交通流预测模型基于CNN深度学习框架来预测交通速度的时空特征矩阵(gydF4y2Ba23gydF4y2Ba)和报告,预测结果优于支持向量机和浅神经网络模型。gydF4y2Ba

除了深神经网络算法单独使用,还有一些集成学习方法,结合多种预测算法和更加灵活的结构,以获得更好的预测性能。唐等人提出一种构造模糊神经网络的新方法gydF4y2BakgydF4y2Ba旅行速度多步预测方法则基于两分钟之前旅行速度数据gydF4y2Ba24gydF4y2Ba]。马等人注意到天体验显著不同的交通流模式,负面影响预测结果,提出了一种先进的方法基于CNN和LSTM模型来选择适当的预测模式匹配(gydF4y2Ba25gydF4y2Ba]。gydF4y2Ba

由于交通流的时间序列特征,RNN模型时间序列处理为核心的自然成为最关心和流行深模型。通过引入门功能细胞结构,长期依赖的LSTM可能处理问题很好;从那时起,几乎所有的令人兴奋的结果基于RNNs LSTM取得。深度学习的LSTM已经成为焦点gydF4y2Ba26gydF4y2Ba,gydF4y2Ba27gydF4y2Ba]。与流行的时间序列预测方法相比,LSTM可以达到最好的性能预测的准确性和稳定性。田等人提出了一个基于长期短期记忆的学习方法,它使用多尺度时间平滑用来推断数据丢失和预测剩余gydF4y2Ba28gydF4y2Ba]。赵等人提出了一个基于长期和短期记忆网络流量预测模型。它认为时空相关性在交通系统通过一个二维网络是由许多内存单元。比较与其他代表预报模型验证,提出LSTM网络可以实现更好的性能(gydF4y2Ba29日gydF4y2Ba]。gydF4y2Ba

因为LSTM出色表现的时间序列,研究人员更加关注和发展许多改进模型在此基础上,例如,在复发性单位大门(格勒乌)模型基于简化LSTM [gydF4y2Ba30.gydF4y2Ba,gydF4y2Ba31日gydF4y2Ba、卷积LSTM时空特征提取(ConvLSTM)模型(结合卷积神经网络的学习能力和复发性神经网络)(gydF4y2Ba32gydF4y2Ba,gydF4y2Ba33gydF4y2Ba),双向LSTM (BiLSTM)模型用于提取顺序从向前和向后的方向特性gydF4y2Ba34gydF4y2Ba,gydF4y2Ba35gydF4y2Ba]。gydF4y2Ba

深度学习预测模型可以通过semiaffinity挖掘高维的特征数据非线性变换序列和学习变量之间的非线性和非平稳的关系,也被发现是适合大数据分析与成功应用计算机视觉,模式识别,语音识别,自然语言处理,和推荐系统gydF4y2Ba36gydF4y2Ba]。深度学习,特别是复发性神经网络,是如此成功,以至于越来越多的整体预测模型开发了基于它。然而,一些研究者讨论回溯步骤的数目的影响交通流时间序列的预测,探索多步延迟使用现有的预测模型。这些都是具有重要意义的更好的理解深层神经网络和时间序列和正是本文关注的。gydF4y2Ba

3所示。方法gydF4y2Ba

在本节中,介绍了算法框架,然后定义所使用的数据序列,最后,复发性神经网络模型和参数优化方法简要解释道。gydF4y2Ba

3.1。交通流时间序列预测的框架gydF4y2Ba

交通流时间序列预测的总体框架提出了如图gydF4y2Ba1gydF4y2Ba。预测的过程包括两个阶段:训练和模型预测模型。在模型训练阶段,交通流的顺序数据组织为子序列和输入模式识别和提取模块进行训练。这些序列可以连续数据或数据与一个特定的时间间隔。在整个训练集和测试集,一个统一的数据格式。培训模块不断评估和更新模型。最后,RNN模型生成,它可以识别和提取交通流时间序列的模式和特点。gydF4y2Ba

在预测阶段,准备原路返回序列发送到交通流序列预测模块,然后训练RNN模型加载和交通状态预测与多个延迟执行的步骤,最后,预测结果是输出。gydF4y2Ba

3.2。顺序数据的定义gydF4y2Ba

时间序列是一个数字序列的值相同的统计指标的顺序排列他们的发生时间。时间序列中的每个值是连续观测的结果相同的现象在不同的时间,不同的因素的联合作用的结果。通过统计分析收集到的时间序列的规律,我们可以获得数据变化的规律,预测未来的发展趋势。gydF4y2Ba

一般来说,交通状态数据收集在一个给定的时间间隔,比如5分钟,15分钟或1小时。这个时间间隔也称为采样间隔。无论哪一个时间间隔,抽样数据将伴随着一个固定的采样时间。同时,交通速度,这个数据代表车辆的平均速度采样间隔期间的经过。从理论上讲,gydF4y2BaxgydF4y2Ba可以用来表示交通流时间序列数据gydF4y2BaNgydF4y2Ba天,gydF4y2BaxgydF4y2Ba= (gydF4y2BaxgydF4y2Ba^1gydF4y2Ba,gydF4y2BaxgydF4y2Ba^2gydF4y2Ba、…gydF4y2BaxgydF4y2Ba^NgydF4y2Ba),gydF4y2BaxgydF4y2Ba^我gydF4y2Ba代表了交通流数据gydF4y2Ba我gydF4y2Bath天,表示如下:gydF4y2Ba 在哪里gydF4y2BaxgydF4y2Ba_tgydF4y2Ba^我gydF4y2Ba交通状态数据吗gydF4y2BatgydF4y2Ba个时间点gydF4y2Ba我gydF4y2Bath的一天,gydF4y2BatgydF4y2Ba∈(1,gydF4y2BaTgydF4y2Ba),而gydF4y2BaTgydF4y2Ba是数据点的数量每天在当前采样间隔,gydF4y2BaTgydF4y2Ba∈ℕgydF4y2Ba 。gydF4y2Ba

我们都知道,数据越接近当前时间,对未来模型的影响就越大。因此,在交通状态预测的过程中,有必要回到之前的数据,建立一个模型来找到历史数据之间的关系和未来状态,然后用它来预测未来交通流量。显然,一个太长时间回溯序列将导致过多的计算和模型的复杂性会增加。然而,如果回溯数据太短,交通的变化趋势系列不能充分的探讨,然后预测的准确性会减少。因此,它是必要的,以确定有多少步骤需要出尔反尔获得准确的预测结果,同时确保模型计算复杂度较低。假设回溯步骤的数量gydF4y2BalgydF4y2Ba_bgydF4y2Ba,使用的数据序列预测可以写成:gydF4y2Ba 在哪里gydF4y2BaxgydF4y2Ba_tgydF4y2Ba^我gydF4y2Ba是gydF4y2BatgydF4y2Bath用于预测的数据序列gydF4y2Ba我gydF4y2Bath天;gydF4y2BalgydF4y2Ba_bgydF4y2Ba回溯步骤的数目,gydF4y2BalgydF4y2Ba_bgydF4y2Ba= 1意味着单步回溯。从公式可以看出,用于预测的数据序列是一个新的子序列组成的gydF4y2BalgydF4y2Ba_bgydF4y2Ba数据。由于预测使用当前时间点之前的数据gydF4y2BatgydF4y2Ba序列,将用于未来预测的实际数据可能包含前一天或更多。所以,时间序列预测交通状态是追溯gydF4y2BalgydF4y2Ba_bgydF4y2Ba数据在当前时间点(标记为gydF4y2BatgydF4y2Ba)形成一个新的子序列预测交通状态未来的时间点。gydF4y2Ba

当然,时间序列预测不仅可以预测的值将在接下来的时间点,但也值,跨越多个时间步骤。在报纸上,横跨在预测的步骤被称为延迟步骤的数量,指出的象征gydF4y2BaDgydF4y2Ba_{年代gydF4y2Ba},下标gydF4y2Ba年代gydF4y2Ba代表特定延迟步骤的数量,gydF4y2Ba年代gydF4y2Ba∈ℕgydF4y2Ba 。gydF4y2Ba相应地,真正的价值从当前时间点延迟gydF4y2BatgydF4y2Ba可以写成:gydF4y2Ba 在哪里gydF4y2Ba代表的真正价值gydF4y2BatgydF4y2Ba个时间点gydF4y2Ba我gydF4y2Bath,用于计算响应期间损失和优化权重模型培训;gydF4y2BaDgydF4y2Ba_{年代gydF4y2Ba}是延误的数量的步骤,gydF4y2BaDgydF4y2Ba_{年代gydF4y2Ba}=gydF4y2Ba年代gydF4y2Ba在数值;其他符号的定义与上面一样。现在,交通流时间序列预测将被重新定义为构建与回溯的子序列gydF4y2BalgydF4y2Ba_bgydF4y2Ba时间步长和预测交通状态之后gydF4y2BaDgydF4y2Ba_{年代gydF4y2Ba}延迟的步骤。gydF4y2Ba

3.3。短期记忆神经网络gydF4y2Ba

长期短期记忆(LSTM)复发的增强和改进神经网络。首先提出了1997年的Hochreiter和。施密德胡贝尔表示,要克服的消失和爆炸梯度在复发性神经网络的反向传播阶段gydF4y2Ba37gydF4y2Ba]。gydF4y2Ba

LSTM增强通常是通过递归门口叫忘记门,取代常数误差旋转木马(CEC)重量与忘记门激活乘法,因此内存状态可以在信息流;它重置时,它是过时的gydF4y2Ba38gydF4y2Ba]。的“选择性遗忘”能力记得长期依赖信息,确保有用的信息不会被稀释的最新信息逐渐随着时间的流逝。这使得LSTM网络适用于分类、处理和时间序列数据的预测。gydF4y2Ba

一个普通LSTM单元由一个self-connection存储单元和三个控制盖茨相关,如图gydF4y2Ba2gydF4y2Ba。自循环连接更新存储单元的状态在时间步长周期没有外部干扰。输入门gydF4y2Ba我gydF4y2Ba和输出门gydF4y2BaogydF4y2Ba可以允许或阻止信息进入或离开复发性单位。忘记门gydF4y2BafgydF4y2Ba可以调整内存单元,让它记住或者忘记之前的状态。随着时间的推移,这些机制使LSTM记住或者忘记某些信息gydF4y2Ba39gydF4y2Ba]。gydF4y2Ba

在图gydF4y2Ba2gydF4y2Ba,输入门和忘记门使用当前的输入gydF4y2BaxgydF4y2Ba_tgydF4y2Ba和输出响应gydF4y2BahgydF4y2Ba_{tgydF4y2Ba−1gydF4y2Ba}之前的时间步计算打开或关闭程度来决定是否接受当前的输入或忘记以前的记忆。它可以计算如下:gydF4y2Ba 在哪里gydF4y2BaxgydF4y2Ba_tgydF4y2Ba在时间步是输入向量gydF4y2BatgydF4y2Ba;gydF4y2BahgydF4y2Ba_{tgydF4y2Ba−1gydF4y2Ba}是输出响应的时间步长;gydF4y2BaWgydF4y2Ba和gydF4y2BabgydF4y2Ba权重向量矩阵和偏见,在培训过程中需要确定;gydF4y2BaσgydF4y2Ba是激活函数,通常是哪一个gydF4y2Ba乙状结肠gydF4y2Ba函数在实践中。在图gydF4y2Ba2gydF4y2Ba,gydF4y2BaCgydF4y2Ba_tgydF4y2Ba是时间步的细胞状态,它允许信息沿着流动网络没有消失或爆炸。在每个时间步,当前电池状态gydF4y2BaCgydF4y2Ba_tgydF4y2Ba以前是由添加状态gydF4y2BaCgydF4y2Ba_{tgydF4y2Ba−1gydF4y2Ba}调整后忘记门和激活输入gydF4y2BaggydF4y2Ba_tgydF4y2Ba当前时间步。更新后的公式定义如下:gydF4y2Ba ◦代表了阿达玛产品或element-wise产品,将元素在相应的位置获得相同大小的新矩阵;gydF4y2Ba是输入激活函数,它通常是双曲正切函数;gydF4y2BaCgydF4y2Ba_tgydF4y2Ba细胞状态和初始值吗gydF4y2BaCgydF4y2Ba_0gydF4y2Ba设置为0;其余的符号定义上面的相同。gydF4y2Ba

在LSTM,gydF4y2BahgydF4y2Ba_{tgydF4y2Ba−1gydF4y2Ba}也会反馈到输入递归更新下一个内存状态。门使用当前输入的输出gydF4y2BaxgydF4y2Ba_tgydF4y2Ba和前面的输出响应gydF4y2BahgydF4y2Ba_{tgydF4y2Ba−1gydF4y2Ba}计算打开或关闭的程度,来决定多少新生成的内存信息可以输出。输出响应gydF4y2BahgydF4y2Ba_tgydF4y2Ba在每个时间步长调整门的输出gydF4y2BaogydF4y2Ba_tgydF4y2Ba,公式如下:gydF4y2Ba 在哪里gydF4y2BahgydF4y2Ba是输出的激活函数,它通常是一个双曲正切函数;初始值gydF4y2BahgydF4y2Ba_0gydF4y2Ba设置为0;其他符号上面是一样的。美联储连续数据模型后,LSTM单位开始处理它一步一步,每个时间步输出一个内存状态,和输出的响应gydF4y2BahgydF4y2Ba_tgydF4y2Ba的最后一步是整个复发性网络的期望输出。gydF4y2Ba

3.4。回溯的优化步骤gydF4y2Ba

在计算能力和资源有限的情况下,模型的效率和性能尤为重要。研究人员总是希望寻找的有效hyperparameters模型通过不同的优化算法来找到最好的配置组合,以获得最佳的得分关键指标的测试数据集。有很多算法用于搜索和优化hyperparameters,广泛应用于各种研究。张等人使用约束混合遗传算法(GA)来确定轮胎摩擦系数的关键参数识别魔术公式(gydF4y2Ba40gydF4y2Ba]。许等人用步进式回归模型来确定安全系数评价自行车道的研究(gydF4y2Ba41gydF4y2Ba]。魏等人使用双坐标下降优化支持向量机的参数以减小损失在训练数据gydF4y2Ba42gydF4y2Ba]。gydF4y2Ba

协调血统nongradient优化算法。在每个迭代的算法,沿一个坐标方向进行一维搜索当前的时候找到一个函数的局部最小值。在整个生产过程中,使用不同的坐标方向周期性。不可分割的函数,该算法可能无法找到最优解在一个小数量的迭代步骤。加快收敛,可以采用适当的坐标系;例如,一个新的坐标系统的坐标与对方尽可能多是通过主成分分析。除此之外,各种优化算法已经广泛应用于实际研究。坐标下降法用于计算套索回归系数(gydF4y2Ba43gydF4y2Ba)和支持向量机的优化算法SMO对偶问题(gydF4y2Ba44gydF4y2Ba]。此外,该方法还具有良好的性能调优算法在其他时间序列预测研究。阿米尔马赫迪等人使用坐标下降法来确定参数链接预测的多路网络(gydF4y2Ba45gydF4y2Ba]。gydF4y2Ba

考虑到大量数据的数据集,通常要花很长时间才能完成搜索。参数的数量继续增加时,时间消耗的模型将成倍增加。没有超级计算能力的保证,这几乎是不可能完成搜索过程。因此,本文采用渐进和贪婪坐标下降算法,试图尽快完成参数确定有限的计算能力和花费的时间最少。gydF4y2Ba

4所示。实验gydF4y2Ba

4.1。数据描述gydF4y2Ba

该模型验证了实际交通数据驱动净(数字巷道交互式可视化和评价网络,gydF4y2Bahttp://www.uwdrive.netgydF4y2Ba)。收集的数据是华盛顿州交通部(华盛顿州运输局)和由星实验室(智能交通应用程序和研究实验室)。16的实际位置探测器在160到170英里我高速公路图所示gydF4y2Ba3gydF4y2Ba。为了方便起见,我们使用了里程碑的探测器来表示它的名字(例如,探测器16395代表了探测器位于163.95英里)。捕获的数据的最小采样间隔5分钟。处理后,历史数据聚合成不同的间隔,如10分钟,15分钟、1小时。数据来自2015年1月1日,2016年3月31日。所有数据被分为四个部分。2015年的数据作为训练集,其中20%是随机选择作为验证集,2016年前两个月的数据被用来优化参数,和数据从2016年3月被用来作为测试集。gydF4y2Ba

为了更好地评估该模型的性能,促进不同模型的比较,本研究使用平均绝对误差(MAE)、平均绝对百分误差(日军)和均方根误差(RMSE)评价预测结果;公式如下:gydF4y2Ba 在哪里gydF4y2BaygydF4y2Ba_tgydF4y2Ba交通数据的真正价值gydF4y2BatgydF4y2Bath时间点;gydF4y2BaŷgydF4y2Ba_tgydF4y2Ba在同一时间点预测价值;和gydF4y2BangydF4y2Ba是样品的数量。gydF4y2Ba

4.2。确定数量的回溯的步骤gydF4y2Ba

就像前面提到过的数据定义部分,用于预测的数据序列是一个新的序列组成的gydF4y2BalgydF4y2Ba_bgydF4y2Ba过去的数据,gydF4y2BalgydF4y2Ba_bgydF4y2Ba回溯步骤的数目。当gydF4y2BalgydF4y2Ba_bgydF4y2Ba之间的依赖性大,序列中包含的数据将被加强。当然,计算量和时间消耗也将成倍增加。而gydF4y2BalgydF4y2Ba_bgydF4y2Ba小,预测序列变得短,序列之间的因果关系是不完整的,这使得它很难提取和结果精度欠佳。hyperparameter,需要搜索和确定回溯步骤的数目分布特征的基础上,实际的数据模型之间的平衡精度和计算成本。gydF4y2Ba

第一个参数模型中,需要确定是回溯的数量的步骤。在优化之前,其他需要修正模型参数,模型pretraining和评估的范围内将只进行回溯的步骤。如果评价结果在一个好的方向发展,然后继续按照搜索方向。如果评价结果不改变或变得更糟的是,培训将立即停止。然后,参数值将根据前面的结果,和搜索过程将结束。在协调的过程中下降,只有一个参数决定,每个迭代的评估是一个一维搜索,所以最后的结果可能不是全局最优的解决方案。gydF4y2Ba

基于16395年的5分钟采样数据检测器,循序渐进的贪婪坐标下降法用于搜索和评估的数量回溯LSTM模型的步骤。回溯步骤的数目从2开始的步骤,逐步增加到20个步骤。排序的数据序列发送到模型进行训练。培训完成后,三个误差指标包括日军,美,和RMSE被用来评估模型的预测效果。结果如表所示gydF4y2Ba1gydF4y2Ba。gydF4y2Ba

在表gydF4y2Ba1gydF4y2Ba的最大和最小值预测错误被标记为粗体。这表明最大错误出现在最小回溯的步骤(步骤二)和最小错误出现在14日回溯的一步。可以看出,随着回溯步骤的增加,预测误差明显降低。评价结果的可视化的表如图gydF4y2Ba4gydF4y2Ba。的gydF4y2BaxgydF4y2Ba设在图是回溯的步骤的数量,安排水平根据评估的步骤。通过评价数据的分析,可以得出以下结论:首先,回溯步骤的数目在模型的精度有很大的影响。如图gydF4y2Ba4gydF4y2Ba,回溯步骤的数目gydF4y2BaxgydF4y2Ba设在从2增加到20个步骤。同时,错误LSTM模型测量的三个指标逐渐降低其最大值,和最大下降率是2.56%,3.18%,和3.32%,分别。这也表明,时间序列数据确实有长期关系,可以通过时间序列挖掘模型。其次,这三个错误的趋势基本上是相同的搜索,一开始和下降率也相对较快。几乎同时出现的变形点平滑下降14步中,错误也到达了当地的低。从那时起,错误已经稳定的波动,有时有轻微的增加。这种现象确实反映了逐步减少预测误差随着回溯序列变得更长。然而,太长时间序列不仅不能提高预测的准确性,但也带来负面影响。gydF4y2Ba

确认结论的普遍性,另一个实验是用不同的模型进行(格勒乌),不同的数据(16885年从探测器),和不同的采样间隔(20分钟、30分钟和60分钟)。的美曲线预测结果如图gydF4y2Ba5gydF4y2Ba。除了最低的点略有不同,曲线更平稳下降,比较实验得到几乎一致的结果。探测器在16885年几乎是5英里远离第一检测器使用之前和有不同的交通模式由于不同的旅游需求,因此评价结果代表性和说服力。gydF4y2Ba

回溯步骤的数目的选择模型和相关数据。不同模型或数据可能产生不同的结果,但可以肯定的是,必须有一个合理的范围内的值。尽管模型或数据集的差异使得回溯步骤的数目在这个范围内随机波动,这个范围可以走近一步一步通过搜索多个模型。gydF4y2Ba

为了验证是否可以获得相同的下降趋势在其他模型,16885年探测器5分钟采样数据被用来搜索回溯几个常用模型的步骤。结果回溯搜索步骤如图gydF4y2Ba6gydF4y2Ba。第一个5模型是典型的机器学习模型,6日模型代表深层神经网络模型,和其余模型三种变体的RNNs本文讨论。因为每个模型都有不同的灵敏度时间序列的相关性,它们的结构和特征也不同。为了清楚地显示所有的模型之间的差异,每个模型如图的美gydF4y2Ba6gydF4y2Ba。尽管模型的预测精度是不同的,回溯步骤大约是相同的的发展趋势大致可以分为三种情况。首先,错误很快下降到当地的低点,然后逐渐上升后压扁,DT (a)和(c)等资讯。第二,迅速减少的错误几步然后保持稳定,如(b)支持向量机,(d)射频,GBDT (e)。最后是错误后继续减少当地的低点,然后迅速下降略有波动,如(f) SAE、(g) LSTM,格勒乌(h),(我)BiLSTM。它可以从错误的趋势曲线,回溯的数量可能是最合适的步骤,但是计算成本的大幅增加使得它不再值得继续搜索。gydF4y2Ba

虽然不同的美曲线模型略有不同,总体趋势几乎是相同的。当然,回溯步骤的数目不是时间越长越好。大多数模型都有一个最大限度;太长时间序列将导致预测误差上升而不是下降。选择一个合理的数量的回溯步骤之间的各种模型,考虑到性能指标后的随机波动增加趋于平缓下降过程中,一系列可以确定基于第一个拐点值。结果显示数据所示,考虑到模型的通用性,可以设置值范围6 - 18。自依赖时间序列中包含的数据集也有显著影响的决心回溯步骤的数量,回溯步骤的数目在不同的数据集可能显著改变。交通数据的特征和分布规律在不同的数据集有很大的不同。数据集与平面的变化,时间可以使用将更加依赖,和回溯的相应数量的步骤将会更长。相反,对于急剧变化的数据集,将大大减少了时间序列的相关性,和回溯的数量可以使用步骤,将相应的短。 In practical applications, the number of backtracking steps for each data set can be determined by experimental evaluation.

考虑到模型的普遍性,公平的比较结果,并计算时间和空间的复杂性,本文中的所有时间序列模型使用中间值12回溯步骤的数目。它代表一个小时5分钟间隔时使用。这统一的回溯步骤的数量可以提供一个相对公平的基准模型之间的比较。gydF4y2Ba

4.3。多步延迟时间序列的预测gydF4y2Ba

根据数据定义在(1)和(2),交通流时间序列预测模型可以预测时间序列跳过多个时间步骤。当然,更大的延迟步骤的数量,预测的随机性越大,越大预测结果和真实值之间的偏差。然而,如果偏差在可接受范围内,延误预测是有意义的。gydF4y2Ba

探测器16885年5分钟的数据样本,回溯步骤的数量gydF4y2BalgydF4y2Ba_bgydF4y2Ba的数量设置为12,延迟一步gydF4y2BaDgydF4y2Ba_{年代gydF4y2Ba}逐渐增加从1到10。建立双层LSTM模型预测交通速度延迟从5分钟到50分钟后当前时间点。在评价过程中,交通数据的采样间隔和回溯步骤保持不变,但推迟措施逐渐增加。模型训练完成后,预测性能不同的延迟步骤进行评估和三个误差指标包括日军,梅和RMSE。结果如表所示gydF4y2Ba2gydF4y2Ba。gydF4y2Ba

错误的最大和最小值在表中以粗体突出显示。可以看出,最小错误出现在第一步,和最大的错误出现在第十一步。这表明预测错误的增加延迟增加一步,这与最初的期望是一致的。它可以发现,与回溯步骤的增加,平均增加的三个错误每个延迟步骤是8.54%,7.61%,和8.19%,分别。换句话说,每个额外的费用延迟一步预测误差增加约8.11%,这基本上是在可接受的范围之内的。LSTM模型的多步预测结果如图所示gydF4y2Ba7gydF4y2Ba。从曲线的趋势指标数据,三个错误的趋势指标完全一致,表现出近似线性增长的关系。这个结果符合常识,因为延迟步骤的增加,将会有休息时间序列和预测目标,并相应地相互依存将削弱。因此,可以得出结论,随着延迟步数的增加,响应误差的模型给出了一个近似线性增长关系在一个有限的步骤。gydF4y2Ba

另一个探测器不同时间采样数据用于鲁棒性分析。评估预测的结果后,我们可以看到近似的结果。美曲线的比较实验如图gydF4y2Ba8gydF4y2Ba。gydF4y2Ba

为了验证延迟步骤的数目的影响在其他模型的预测结果,同样的过程进行预测和评估几个常用模型的5分钟数据检测器16395。回溯步骤的数量gydF4y2BalgydF4y2Ba_bgydF4y2Ba被设置为12。延迟步骤的数量gydF4y2BaDgydF4y2Ba_{年代gydF4y2Ba}逐渐增加从1到10。梅的预测结果如表所示gydF4y2Ba3gydF4y2Ba。大胆的数字是每列中的美表现最佳的模型。gydF4y2Ba

从表中的数据可以看出,美各预测模型的最小值出现在第一步,和延迟步骤的数量是最少的。最大值均出现在第十一步,这表明,预测误差随着延迟步骤的数目的增加而增加。可以看出,随着延迟步骤的数目的增加,平均每个延迟步骤增加美约9%到10%。gydF4y2Ba

同样,多步预测的地图绘制在图gydF4y2Ba9gydF4y2Ba。可以看出,随着预测延迟步骤的增加,日军值之间有一定差异模型,但它们都显示几乎相同的线性增长的趋势,这正是与前面的结论。我们也可以大致看到不同的交通流模型预测的准确性。的gydF4y2BakgydF4y2Ba最近的邻居(资讯)模型位于顶部的图,远离其他模型,最坏的预测精度在所有模型。中间是其他机器学习和深度学习模型包括支持向量机,射频,GBDT, DT。最好的模型预测性能的底部图。他们是一个多层神经网络模型和三个RNN模型包括SAE、LSTM BiLSTM,格勒乌。虽然这些模型之间的差异非常小,在大多数情况下,BiLSTMʼ年代表现仍优于前三。其中,当延迟步骤的数量很小,BiLSTM LSTM模型类似,但是,最后8步骤之后,BiLSTM失败LSTM由于神经元的数量被LSTM的两倍。这也充分表明BiLSTM模型在时间序列预测的任务也有巨大的潜力的交通条件。然而,这三个变体RNNs脱颖而出的许多模型,这也表明,复发性神经网络具有无与伦比的优势挖掘时间序列的因果关系和适合流量时间序列预测等领域。gydF4y2Ba

5。结果分析gydF4y2Ba

在实验中,实际交通流速度数据被选中来验证时间序列模型的预测性能。主要,回溯LSTM模型的步骤是在逐层贪婪的坐标下降法。不同的检测器数据,回溯步骤的影响时间序列预测精度的验证,发现模型精度下降的规律。考虑模型的普遍性和计算的复杂性,确定回溯步骤的合理的范围内,它提供了一个统一的预测精度的测量和数据依据不同模型之间的横向比较。gydF4y2Ba

实验测试和分析了延迟时间序列预测的步骤的数量,发现是一个近似的线性关系之间的预测准确性和延迟步骤的数量在一个有限的时间步。尽管延迟步骤的数目的增加,当前时间点之间的时间差距和预测时间点原因中断的依赖关系,也使得误差指标不同程度的增加。但是这种延迟预测仍有一定的意义在某些应用程序中,可以被视为一种有效的选择。例如,如果我们想知道30分钟后的交通流,我们可以直接训练30分钟间隔的预测模型对项目下一步延迟预测,或一个15分钟的两步延迟模型预测,甚至使用六步延迟5分钟模型预测,等等。有两个差异多步延迟模型和传统的单步预测。一个是预测结果的准确性是不同的,模型的预测精度和较小的延迟步骤更好。第二,预测结果的规模是不同的。多步预测结果的规模取决于原始模型的规模,和抽样的规模输出结果是一样的采样输入数据的规模。尽管在预测精度会有一些损失,多步延迟预测仍然可以提高预测结果的多样性,并提供一个更可靠的应用程序。gydF4y2Ba

6。结论gydF4y2Ba

在讨论数据序列在交通状态预测的重要性,本文创建了一个基于RNNs时间回溯和多步延迟模型学习和提取长期和短期的依赖性。一个案例研究进行了搜索和确定最优回溯流量序列的长度。RNNs和六个常用的三种版本的模型进行多步预测延迟验证延迟一步预测精度的影响。主要研究结果如下:gydF4y2Ba

预测精度的增加而单调减小回溯步骤的数目,然后慢慢上升后达到一个相对较低的点。虽然不可能证明这个相对较低的点是全球最低,回溯步骤的数目对应第一个低点可以带来最好的性能和维护一个更合理的计算消耗模型。gydF4y2Ba

有一个近似的线性关系模型的预测精度和有限时间的延迟一步一步。显然,随着延迟步骤的数目增加,有多个当前时间点之间的时间间隔和预测时间点,和序列的依赖也会被打断,导致相应的增加误差模型的指标。然而,这延迟多步预测方法仍然可以发挥特殊作用在某些应用程序中,也提高了预测结果的多样性。gydF4y2Ba

六个常用模型的预测性能比较,发现三个RNN模型站在所有的模型,这表明复发性神经网络时间序列的因果关系挖掘中有无与伦比的优势,非常适用于时间序列数据的预测。gydF4y2Ba

在未来,我们将继续我们的研究从三个方面:首先,交通流模式表现出很强的随机性和不确定性,由于外部影响。有许多因素影响预测的准确性,如天气,环境,和社会活动。因此,需要考虑更多的因素来提高预测的准确性。其次,更多的智能算法(例如,进化计算和遗传算法)将试图优化回溯步骤的数目。最后,时间回溯的思想和多步延迟可以扩展到其他领域,并提供灵感和新的研究方向。gydF4y2Ba

数据可用性gydF4y2Ba

交通状态数据用于支持本研究的发现是由驱动网(gydF4y2Bahttp://www.uwdrive.netgydF4y2Ba)。处理过的数据可从相应的作者。gydF4y2Ba

的利益冲突gydF4y2Ba

作者宣称没有利益冲突有关的出版。gydF4y2Ba

确认gydF4y2Ba

这项工作得到了陕西省自然科学基础研究项目(项目没有。2020 jm - 258)和中国国家自然科学基金(61672026)。gydF4y2Ba

引用gydF4y2Ba

1. m·周和瞿x, y Yu”发展的一个有效的连接和自动驾驶战略信号交叉路口的车辆:强化学习方法,“gydF4y2BaIEEE智能交通系统gydF4y2Ba,21卷,不。1,第443 - 433页,2019。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
2. r . c,他妈的,”人群可持续未来智能交通系统:智能审查,”gydF4y2Ba专业智能运输系统gydF4y2Ba,14卷,不。6,480 - 494年,2020页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
3. 王x, y, w . et al .,“它的框架:框架智能交通系统领域的多方面分析,“gydF4y2BaIEEE智能交通系统gydF4y2Ba,20卷,不。8,2893 - 2902年,2019页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
4. p . Delle网站,“mixed-behaviour均衡模型在预测和静态依赖政府先进的旅行者信息系统(ATIS航站)和路线的选择,”gydF4y2Ba交通研究部分C:新兴技术gydF4y2Ba卷,86年,第562 - 549页,2018年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
5. 瞿x, y、m .周C.-T。林,x王”,共同抑制交通振动和改善与电气的能源消耗,连接和自动车辆:一个基于强化学习的方法,”gydF4y2Ba应用能源gydF4y2Ba文章ID 114030卷,257年,2020年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
6. d . Ma, x的歌,和p·李,“日常交通流预测通过上下文卷积递归神经网络建模当天国米和交通模式,”gydF4y2BaIEEE智能交通系统gydF4y2Ba卷,99年,页1 - 10,2020。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
7. d . w . l .瞿w . Li Li妈,和y王,“每日长期交通流预测基于深层神经网络,”gydF4y2Ba专家系统与应用程序gydF4y2Ba卷,121年,第312 - 304页,2019年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
8. w·张,y, k, y的歌,和y王,“速度状态网络模型预测基于交通因素,”gydF4y2BaIEEE智能交通系统gydF4y2Ba,1 - 11,2020页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
9. x的歌,w·李·d·马,d . Wang l .曲和y . Wang”match-then-predict方法基于组的日常交通流预测的数据处理方法,”gydF4y2Ba计算机辅助土木与基础设施工程gydF4y2Ba,33卷,不。11日,第998 - 982页,2018年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
10. p口j .东部赫拉,梵天,“培训RNN的变异使用滑动窗口技术,”gydF4y2Ba学报2020年IEEE国际学生ʼ会议电气、电子和计算机科学(SCEECS)gydF4y2Ba,页1 - 5,IEEE 2020。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
11. m·d·杨k . Chen Yang, x赵,“城市轨道交通客流预测基于LSTM增强长期特性,”gydF4y2Ba专业智能运输系统gydF4y2Ba,13卷,不。10日,1475 - 1482年,2019页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
12. 崔z . r .柯z, Pu, y,“堆叠双向和单向LSTM递归神经网络预测全网流量状态用缺失值,”2020年,gydF4y2Bahttp://arxiv.org/abs//2005.11627gydF4y2Ba。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
13. x, z, y . Wang h . Yu和y王,“长短期记忆神经网络交通速度预测使用远程微波传感器数据,”gydF4y2Ba交通研究部分C:新兴技术gydF4y2Ba54卷,第197 - 187页,2015年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
14. g . j . Cheng Li和x陈,“高速公路旅行时间预测模型研究基于梯度提高决策树,”gydF4y2BaIEEE访问gydF4y2Ba7卷,第7480 - 7466页,2018年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
15. j . Tang x, z,宗庆后,c .汉和l·李,“交通流预测基于支持向量机和数据去噪方案,“gydF4y2Ba自然史答:统计力学及其应用gydF4y2Ba文章ID 120642卷,534年,2019年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
16. 任n h . Yu, y, c .杨”一个特殊事件再模型对短期交通状态预测,“gydF4y2BaIEEE访问gydF4y2Ba7卷,第81729 - 81717页,2019年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
17. r·p·Magalhaes f . Lettich j·a·马赛et al .,“速度预测和动态流量传感器网络,”gydF4y2Ba信息系统gydF4y2Ba,2019年文章ID 101444。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
18. 张x詹,s, w . y . Szeto x陈,“Multi-step-ahead交通速度预测使用多输出梯度提高回归树,”gydF4y2Ba智能交通系统杂志》上gydF4y2Ba,24卷,不。2、125 - 141年,2020页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
19. 江h . y .邹,张,j . Tang和y王,“短期使用远程微波传感器数据速度预测:机器学习和统计模型,”gydF4y2Ba数学问题在工程gydF4y2Ba卷,2016篇文章ID 9236156, 2016。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
20. g·e·辛顿和r . r . Salakhutdinov”,与神经网络,降低数据的维数”gydF4y2Ba科学gydF4y2Ba,卷313,不。5786年,第507 - 504页,2006年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
21. w·黄g .歌曲,h .香港,k .谢”架构交通流预测:深深相信网络在多任务学习,”gydF4y2BaIEEE智能交通系统gydF4y2Ba,15卷,不。5,2191 - 2201年,2014页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
22. 韩周t . g . x徐et al .,”gydF4y2BaδgydF4y2Ba同意演堆叠autoencoder短期交通流预测,“gydF4y2BaNeurocomputinggydF4y2Ba卷。247年,31-38,2017页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
23. w·张,y, y气,f,和y王,“短期交通流预测基于时空分析和CNN深度学习,”gydF4y2BaTransportmetrica答:运输科学gydF4y2Ba,15卷,不。2、1688 - 1711年,2019页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
24. y . j . Tang f . Liu邹,w·张,和y王,“一种改进的模糊神经网络交通速度预测考虑周期性特点,“gydF4y2BaIEEE智能交通系统gydF4y2Ba,18卷,不。9日,第2350 - 2340页,2017年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
25. d·马b .盛,金,x,和p高,“短期交通流预测通过选择适当的预测基于模式匹配,”gydF4y2BaIEEE访问gydF4y2Ba》第六卷,第75638 - 75629页,2018年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
26. x y Yu Si c·胡,j .张“复发性神经网络的审查:LSTM细胞和网络架构,”gydF4y2Ba神经计算gydF4y2Ba没有,卷。31日。7,1235 - 1270年,2019页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
27. 赵y, z, r·李x, z . Liu和h·张,“深度学习长时间序列预测短期记忆,”gydF4y2BaIEEE通讯杂志gydF4y2Ba卷,57号6,114 - 119年,2019页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
28. x y田,k, j . Li林,和b·杨“LSTM-based交通流量预测与缺失的数据,”gydF4y2BaNeurocomputinggydF4y2Ba卷,318年,第305 - 297页,2018年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
29. z赵,w·陈,吴x, p . c . y . Chen和j·刘,“LSTM网络:短期流量预测,深度学习的方法”gydF4y2Ba专业智能运输系统gydF4y2Ba,11卷,不。2、68 - 75年,2017页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
30. d . Zhang和m . r . Kabuka”结合天气条件数据预测交通流:GRU-based深度学习的方法,”gydF4y2Ba专业智能运输系统gydF4y2Ba,12卷,不。7,578 - 585年,2018页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
31. g .戴马c和x徐,“城市道路短期交通流预测方法部分基于时空分析和格勒乌,”gydF4y2BaIEEE访问gydF4y2Ba7卷,第143035 - 143025页,2019年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
32. d·马b .盛、马x和金,“模糊混合框架与动态权重对短期交通流预测矿业时空相关性,”gydF4y2Ba专业智能运输系统gydF4y2Ba,14卷,不。2、73 - 81年,2019页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
33. 沈l . (g .朱,p . et al .,“学习使用3 dcnn时空特性和卷积LSTM手势识别,”gydF4y2Ba《IEEE计算机视觉国际会议研讨会gydF4y2Ba,第3128 - 3120页,威尼斯,意大利,2017年10月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
34. m·舒斯特尔和k . k . Paliwal”双向复发性神经网络”,gydF4y2BaIEEE信号处理gydF4y2Ba,45卷,不。11日,第2681 - 2673页,1997年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
35. m·萨贾德,s . Kwon Clustering-based语音情感识别,通过融合学习特性和BiLSTM深处,“gydF4y2BaIEEE访问gydF4y2Ba,8卷,第79875 - 79861页,2020年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
36. w·刘,刘x, z . Wang n .曾y . Liu和f . e . Alsaadi“深层神经网络体系结构及其应用的调查,“gydF4y2BaNeurocomputinggydF4y2Ba卷。234年,11-26,2017页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
37. ,的Hochreite和j。施密德胡贝尔表示“长短期记忆。”gydF4y2Ba神经计算gydF4y2Ba,9卷,不。8,1735 - 1780年,1997页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
38. f . a .蒙古包,的j。施密德胡贝尔表示,弗雷德·康明斯gydF4y2Ba学报》第九届国际会议在人工神经网络:ICANN 99年gydF4y2Ba英国爱丁堡,页850 - 855,,1999。gydF4y2Ba
39. k·Greff, r·k·斯利瓦斯塔瓦j . Koutnik et al .,“LSTM:搜索太空漫游”,gydF4y2BaIEEE神经网络和学习系统gydF4y2Ba,28卷,不。10日,2222 - 2232年,2016页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
40. r。张,Z.-C。他,H.-W。王,f .你,K.-N。李”,研究自调优轮胎摩擦控制发展main-servo循环集成底盘控制系统,”gydF4y2BaIEEE访问gydF4y2Ba5卷,第6660 - 6649页,2017年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
41. 徐,y, s .金瞿z,和l .侯”潜在风险及其影响因素分开的自行车道,“gydF4y2Ba事故分析和预防gydF4y2Ba卷,87年,页59 - 67,2016。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
42. w .江和美国西迪基,”Hyper-parameter优化支持向量机使用随机梯度下降法和双坐标后裔,”gydF4y2Ba欧元计算优化》杂志上gydF4y2Ba,8卷,不。1,第101 - 85页,2020。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
43. t·t·吴和k·兰格坐标下降算法套索处罚回归,”gydF4y2Ba应用统计学的史册gydF4y2Ba,卷2,不。1,第244 - 224页,2008。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
44. e . Liossis”高效的串行和并行SVM训练使用坐标后裔,”gydF4y2Ba学报2013年IEEE研讨会上计算智能工程解决方案(培育)gydF4y2BaIEEE,页76 - 83年,2013年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
45. a . m . Abdolhosseini-Qomi: Yazdani, m . Asadpour”重叠社区和预测的多路网络中失落的环节,”gydF4y2Ba自然史答:统计力学及其应用gydF4y2Ba文章ID 124650卷,554年,2020年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba

版权gydF4y2Ba

版权©2020利晟et al。这是一个开放的分布式下文章gydF4y2Ba知识共享归属许可gydF4y2Ba,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。gydF4y2Ba