基于深度学习的道路短期交通状态时空序列预测

图书标准信息

• 作者 崔建勋
• 出版社 电子工业出版社
• 出版时间 2022-04
• 版次 1
• ISBN 9787121430190
• 定价 98.00元
• 装帧 其他
• 开本 16开
• 页数 296页

【内容简介】

这本书系统阐述了深度学习方法论在道路短期交通状态时空序列预测领域的研究成果。需要着重说明以下几点：（1）领域限定在了道路交通，因为交通是个大系统，存在着航空、水运、道路等多种运输方式，而本书所阐述的研究均是针对道路交通领域的数据以及面向道路交通领域的应用；（2）本书所讨论的研究问题是道路短期交通状态时空序列预测问题，该问题是时空数据挖掘领域中时空预测问题的一个重要子集，在本书的第1章中将会对这个问题进行数学上的形式化定义；（3）本书针对道路短期交通状态时空序列预测问题的讨论，完全是基于深度学习的方法论，所参考的文献绝大部分发表于2017年以后，并不涵盖前人对该研究问题所采用的全部方法论（如ARIMA，卡尔曼滤波、SVR等）。

【作者简介】

崔建勋，哈尔滨工业大学 交通学院 副教授硕士生导师，长期从事人工智能与道路交通的交叉领域研究，主要研究方向包括基于深度学习的短时交通状态预测、基于深度强化学习的自动驾驶决策规划与控制等。

【目录】

目录

第 1 章道路短期交通状态时空序列预测总论.................................................... 001

1.1   时空数据............................................................................................................... 001

1.2   时空数据挖掘....................................................................................................... 002

1.3   道路短期交通状态时空序列预测 ....................................................................... 003

1.3.1    问题描述 .................................................................................................. 003

1.3.2    核心挑战 .................................................................................................. 005

1.3.3    问题分类 .................................................................................................. 007

1.4   道路短期交通状态时空序列预测研究概要性综述 ........................................... 012

1.5   基于深度学习的道路短期交通状态时空序列预测建模一般性框架................ 014

1.6   本章小结............................................................................................................... 015

第 1 篇基于深度学习的网格化道路交通状态时空序列预测

第 2 章基于 2D 图像卷积神经网络的时空相关性建模................................... 018

2.1   ST-ResNet ............................................................................................................. 020

2.1.1    问题提出 .................................................................................................. 020

2.1.2    历史交通状态切片数据的获取............................................................... 020

2.1.3    预测模型 .................................................................................................. 022

2.1.4    训练算法 .................................................................................................. 026

2.2   MDL...................................................................................................................... 027

2.2.1    问题提出 .................................................................................................. 027

2.2.2    预测模型 .................................................................................................. 029

2.2.3    训练算法 .................................................................................................. 035

2.3   MF-STN ................................................................................................................ 036

2.3.1    问题提出 .................................................................................................. 037

2.3.2    预测模型 .................................................................................................. 037

2.3.3    训练算法 .................................................................................................. 040

2.4   DeepLGR[23] .......................................................................................................... 042

2.4.1    问题提出 .................................................................................................. 043

2.4.2    预测模型 .................................................................................................. 043

2.4.3    模型小结 .................................................................................................. 048

2.5   ST-NASNet ........................................................................................................... 048

2.5.1    问题提出 .................................................................................................. 051

2.5.2    预测模型 .................................................................................................. 051

2.5.3    训练算法 .................................................................................................. 054

2.6   本章小结............................................................................................................... 055

第 3 章基于 2D 图像卷积与循环神经网络相结合的时空相关性建模....... 057

3.1   STDN[25]................................................................................................................ 058

3.1.1    问题提出 .................................................................................................. 059

3.1.2    预测模型 .................................................................................................. 059

3.1.3    训练算法 .................................................................................................. 066

3.2   ACFM[26] ............................................................................................................... 067

3.2.1    问题提出 .................................................................................................. 067

3.2.2    预测模型 .................................................................................................. 068

3.2.3    模型拓展 .................................................................................................. 073

3.2.4    训练算法 .................................................................................................. 075

3.3   PredRNN[27] .......................................................................................................... 076

3.4   PredRNN++[28] ...................................................................................................... 081

3.4.1    模型架构 .................................................................................................. 082

3.4.2    Casual-LSTM............................................................................................ 083

3.4.3    GHU.......................................................................................................... 084

3.5   MIM[29].................................................................................................................. 084

3.6   SA-ConvLSTM[30]................................................................................................. 088

3.6.1    模型背景 .................................................................................................. 089

3.6.2    模型构造 .................................................................................................. 090

3.7   本章小结............................................................................................................... 092

第 4 章基于 3D 图像卷积的时空相关性建模..................................................... 094

4.1   问题提出............................................................................................................... 095

4.2   预测模型............................................................................................................... 095

4.2.1    近期时空相关性捕获模块....................................................................... 096

4.2.2    短期时空相关性捕获模块....................................................................... 098

4.2.3    特征融合模块........................................................................................... 099

4.2.4    预测模块 .................................................................................................. 099

4.2.5    损失函数 .................................................................................................. 099

4.3   训练算法............................................................................................................... 100

4.4   本章小结............................................................................................................... 100

第 2 篇基于深度学习的拓扑化道路交通状态时空序列预测

第 5 章基于 1D 图像卷积与卷积图神经网络相结合的时空相关性建模 .. 102

5.1   STGCN[