基于CLSTM神經(jīng)網(wǎng)絡(luò)的公交到站時(shí)間預(yù)測(cè)

1、基于CLSTM神經(jīng)網(wǎng)絡(luò)的公交到站時(shí)間預(yù)測(cè)Multi-output Bus Travel Time Multi-output Bus Travel Time Prediction with Prediction with Convolutional LSTM Neural NetworksConvolutional LSTM Neural Networksl預(yù)測(cè)站點(diǎn)A到站點(diǎn)B的到站時(shí)間 = (link1 + link2 + link3)行程時(shí)間 + 預(yù)估的?？繒r(shí)間l 郊區(qū)預(yù)測(cè)：可通過大量歷史數(shù)據(jù)做回歸預(yù)測(cè)l 城區(qū)預(yù)測(cè)：需要考慮擁堵情況、道路事故、路網(wǎng)狀態(tài)、氣象等因素22021/8/14傳統(tǒng)模型

2、& 深度學(xué)習(xí)傳統(tǒng)預(yù)測(cè)傳統(tǒng)預(yù)測(cè)Kalman-filtersKalman-filters模型模型深度學(xué)習(xí)預(yù)測(cè)深度學(xué)習(xí)預(yù)測(cè)Convolutional LSTMConvolutional LSTM神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò) LSTM:長(zhǎng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)，能夠獲取數(shù)據(jù)間長(zhǎng)時(shí)間的依賴關(guān)系(站點(diǎn)A t時(shí)刻到站時(shí)間和t-w+1,t-1時(shí)刻到站時(shí)間相關(guān)) CNN:卷積神經(jīng)網(wǎng)絡(luò)，能夠獲取站點(diǎn)間空間依賴關(guān)系32021/8/14LSTM(Long Short-Term Memory)42021/8/14 CNN通過矩陣卷積運(yùn)算學(xué)習(xí)站點(diǎn)間的空間關(guān)系 站點(diǎn)間的行程時(shí)間組成一個(gè)1維矩陣，通過一個(gè)固定長(zhǎng)度的卷積核卷積計(jì)算提

3、取關(guān)系CNN(Convolutional Neural Network) CNN提取圖像邊緣特征52021/8/14模型輸入N個(gè)樣本數(shù)據(jù)，每個(gè)樣本數(shù)據(jù)包含u個(gè)行程，每個(gè)行程由時(shí)間跨度為w的行程時(shí)間數(shù)據(jù)組成，輸出為u個(gè)行程每個(gè)行程未來k個(gè)時(shí)間跨度的行程時(shí)間62021/8/14模型拓?fù)浣Y(jié)構(gòu)模型由編碼和解碼兩部分組成，每部分包含兩個(gè)ConvLSTM，編碼部分學(xué)習(xí)到輸入數(shù)據(jù)的特征后，編碼向量作為解碼部分的輸入72021/8/14對(duì)比82021/8/14早高峰 & 晚高峰92021/8/14擴(kuò)展 只考慮了單一線路各站點(diǎn)間的空間關(guān)系及時(shí)間序列上的關(guān)系，可進(jìn)一步擴(kuò)展到多條公交線路(尤其有相同站點(diǎn)的不同線路)間的空間關(guān)系 數(shù)據(jù)只使用了公交數(shù)據(jù)，可適當(dāng)加入站點(diǎn)附近POI數(shù)據(jù)、行程間紅綠燈數(shù)、氣象等相關(guān)數(shù)據(jù)10