基于CLSTM神經(jīng)網(wǎng)絡(luò)的公交到站時間預(yù)測專家講座

基于CLSTM神經(jīng)網(wǎng)絡(luò)公交到站時間預(yù)測Multi-outputBusTravelTimePredictionwithConvolutionalLSTMNeuralNetworks基于CLSTM神經(jīng)網(wǎng)絡(luò)的公交到站時間預(yù)測專家講座第1頁預(yù)測站點A到站點B到站時間=(link1+link2+link3)行程時間+預(yù)估停靠時間郊區(qū)預(yù)測：可經(jīng)過大量歷史數(shù)據(jù)做回歸預(yù)測城區(qū)預(yù)測：需要考慮擁堵情況、道路事故、路網(wǎng)狀態(tài)、氣象等原因基于CLSTM神經(jīng)網(wǎng)絡(luò)的公交到站時間預(yù)測專家講座第2頁傳統(tǒng)模型&

深度學(xué)習(xí)傳統(tǒng)預(yù)測——Kalman-filters模型

深度學(xué)習(xí)預(yù)測——ConvolutionalLSTM神經(jīng)網(wǎng)絡(luò)LSTM:長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)，能夠獲取數(shù)據(jù)間長時間依賴關(guān)系(站點At時刻到站時間和t-w+1,…t-1時刻到站時間相關(guān))CNN:卷積神經(jīng)網(wǎng)絡(luò)，能夠獲取站點間空間依賴關(guān)系基于CLSTM神經(jīng)網(wǎng)絡(luò)的公交到站時間預(yù)測專家講座第3頁

LSTM(LongShort-TermMemory)基于CLSTM神經(jīng)網(wǎng)絡(luò)的公交到站時間預(yù)測專家講座第4頁CNN經(jīng)過矩陣卷積運算學(xué)習(xí)站點間空間關(guān)系站點間行程時間組成一個1維矩陣，經(jīng)過一個固定長度卷積核卷積計算提取關(guān)系CNN(ConvolutionalNeuralNetwork)CNN提取圖像邊緣特征基于CLSTM神經(jīng)網(wǎng)絡(luò)的公交到站時間預(yù)測專家講座第5頁模型輸入N個樣本數(shù)據(jù)，每個樣本數(shù)據(jù)包含u個行程，每個行程由時間跨度為w行程時間數(shù)據(jù)組成，輸出為u個行程每個行程未來k個時間跨度行程時間基于CLSTM神經(jīng)網(wǎng)絡(luò)的公交到站時間預(yù)測專家講座第6頁模型拓?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ConvLSTM，編碼部分學(xué)習(xí)到輸入數(shù)據(jù)特征后，編碼向量作為解碼部分輸入基于CLSTM神經(jīng)網(wǎng)絡(luò)的公交到站時間預(yù)測專家講座第7頁對比基于CLSTM神經(jīng)網(wǎng)絡(luò)的公交到站時間預(yù)測專家講座第8頁早高峰&

晚高峰基于CLSTM神經(jīng)網(wǎng)絡(luò)的公交到站時間預(yù)測專家講座第9頁擴展只考慮了單一線路各站點間空間關(guān)系及時間序列上關(guān)系，可深入擴展到多條公交線路(尤其有相同站點不一樣線路)間空間關(guān)系數(shù)據(jù)只使用了公交數(shù)據(jù)，可適當(dāng)加入站點附近