LC-RNN: A Deep Learning Model for Traffic Speed Prediction

本文主要是介绍LC-RNN: A Deep Learning Model for Traffic Speed Prediction，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

---

1.背景

下面所介绍是2018年发表在IJCAI上的一论文，其主要解决的问题是预测接下来几个时间间隔内，某条道路上车辆行驶的平均速度。其关键点在于作者提出了用"look-up"这一方法来构造由每条道路及其相连接道路所形成的速度矩阵，接着用CNN来提取相邻“道路速度”的空间依赖关系，然后进一步采用LSTM从时间序列的角度来提取特征；最后融合天气和周期信息等最为整个网络的输出。

我们知道在实际情况中，道路的连接是丛横交错的；并且存在对于某两个地点来说是单向通行的。因此论文中采用了有向图来描绘道路结构，如下图左边所示；对于每条路上在某个时间间隔$t$内的平均速度为右图边上的权重，且用一个速度向量来表示。

论文中所需要解决的问题就是：给定历史数据$X_i$（即历史速度向量），来预测$X_{t+1},X_{t+2},...$时刻的速度向量（即下一（或几个）个时刻每条道路可能的速度）。

2.数据处理

首先需要根据道路拓扑结构(topology)得到一个邻接道路矩阵(adjacent road matrix)$M$。这个矩阵记录了每条道路的所有相邻道路，其规则为： S r = { r , r ′ ∈ E ∣ r ′ . s = r . e    o r    r ′ . e = r . s } S_r=\{r,r'\in E|r'.s=r.e\;or\;r'.e=r.s\} Sr​={r,

这篇关于LC-RNN: A Deep Learning Model for Traffic Speed Prediction的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---