基于CLSTM神经网络的公交到站时间预测.ppt

《基于CLSTM神经网络的公交到站时间预测.ppt》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于CLSTM神经网络的公交到站时间预测Multi-outputBusTravelTimePredictionwithConvolutionalLSTMNeuralNetworks预测站点A到站点B的到站时间=(link1+link2+link3)行程时间+预估的停靠时间郊区预测：可通过大量历史数据做回归预测城区预测：需要考虑拥堵情况、道路事故、路网状态、气象等因素传统模型&深度学习传统预测——Kalman-filters模型上的状态变换模型:作用在控制器向量上的输入-控制模型:过程噪声，假定符合均值为0，协方差矩阵为的多元正态分布卡尔曼滤波模型假设k时刻的状态是k-1时刻

2、状态演化而来在城区复杂交通系统中无法捕捉多个link间的关系特征深度学习预测——ConvolutionalLSTM神经网络LSTM:长短期记忆循环神经网络，能够获取数据间长时间的依赖关系(站点At时刻到站时间和t-w+1,…t-1时刻到站时间相关)CNN:卷积神经网络，能够获取站点间空间依赖关系遗忘门：根据当前时刻的输入对上一个时刻信息选择性遗忘输入门：计算当前输入哪些信息保存到当前状态，代表当前的记忆，代表当前的状态输出门：控制当前有多少信息输出LSTM(LongShort-TermMemory)CNN通过矩阵卷积运算学习站点间的空间关系站点间的行程时间组成一个1维矩阵，

3、通过一个固定长度的卷积核卷积计算提取关系CNN(ConvolutionalNeuralNetwork)CNN提取图像边缘特征模型输入N个样本数据，每个样本数据包含u个行程，每个行程由时间跨度为w的行程时间数据组成，输出为u个行程每个行程未来k个时间跨度的行程时间模型拓扑结构模型由编码和解码两部分组成，每部分包含两个ConvLSTM，编码部分学习到输入数据的特征后，编码向量作为解码部分的输入对比早高峰&晚高峰扩展只考虑了单一线路各站点间的空间关系及时间序列上的关系，可进一步扩展到多条公交线路(尤其有相同站点的不同线路)间的空间关系数据只使用了公交数据，可适当加入站点附近POI

4、数据、行程间红绿灯数、气象等相关数据谢谢