论文阅读汇总（1）-【篇数：50】

本人学习所有系列：汇总帖

这一篇文章作为精读/泛读论文的一个汇总贴。

2021-2-3开始，期待数量越来越多，方向越来越具体~

因为篇幅的原因，一个帖子就放五十篇叭。

后面的汇总:

51-100：51-100
101-150：101-150
151-200：151-200汇总

正文

1. 20210203-《Long short-term memory neural network for traffic speed prediction using remote microwave sensor data》

• 主要内容：利用LSTM NN，先以历史道路速度数据为输入来预测未来的交通速度；然后又以道路速度和交通流量作为输入来预测未来的交通速度。并且通过与多种其他方法进行对比，来展示LSTM NN所展示出的良好的效果。

2. 20210204- 《Traffic Flow Prediction With Big Data:A Deep Learning Approach》

• 主要内容：使用深度学习架构，嵌入Stacked AutoEncoder（SAE）堆叠自编码器作为主体网络结构块来预测交通流。而且本文采用的不是SAE中的BP方法进行训练，而是采用自底向上逐层预训练的贪婪分层无监督学习算法。

3. 20210205- 《Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting》

• 主要内容：将降水临近预报问题定义为一个时空序列预测问题，为了更好地模拟时空关系，我们将FC-LSTM 的思想推广到卷积结构的 ConvLSTM，它在输入到状态和状态到状态的转换中都具有卷积结构。通过叠加多个 ConvLSTM 层，形成一个编码预测结构，建立短时降水预报模型。

4. 20210206- 《Sequence to Sequence Learning with Neural Networks》

• 主要内容：提出seq2seq，使用多层长短期记忆(LSTM)将输入序列映射到一个固定维数的向量，然后使用另一个深度LSTM从向量中解码目标序列。

5. 20210207- 《Short-Term Traffic Flow Prediction with Conv-LSTM》

• 主要内容：提出了一种基于深度学习的短时交通流预测方法。交通流数据包含三个主要特征：时间特征、空间特征和周期性特征。我们把CNN和LSTM结合起来生成一个ConvLSTM模块，用于提取交通流的时空特征，然后使用Bi-LSTM(双向LSTM，Keras中有相应模块)提取交通流的周期特征。

6. 20210208- 《Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation Network Speed Prediction》

• 主要内容：提出一种基于CNN的交通预测方法，将交通网络作为图像进行学习，并对交通速度进行预测。先是提取交通特征，然后进行交通预测。通过与四种算法和三种深度学习架构的对比，来展示该方法的高精度。

7. 20210209- 《Revisiting Spatial-Temporal Similarity：A Deep Learning Framework for Traffic Prediction》

• 主要内容：提出了一种新的时空动态网络(STDN)，其中引入了一种门控机制来学习位置之间的动态相似性，并设计了一种周期性注意力转移机制来处理长期的周期性时间转移。

8. 20210210- 《Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction》

• 主要内容：提出了一种基于深度学习的方法，称为时空残差网络ST-ResNet，来同时预测城市中每个区域的流入和流出客流量。设计了一个残差卷积单元的分支，每个残差卷积单元对拥堵流的空间特性进行建模，ST-ResNet动态整合三个残差神经网络分支的输出，为不同的分支和区域分配不同的权重。

9. 20210211- 《Spatio-Temporal Graph Convolutional Networks：A Deep Learning Framework for Traffic Forecasting》

• 主要内容：提出了一种新的深度学习结构，时空图卷积网络，用于交通预测任务。该体系结构由多个时空卷积块组成，时空卷积块由图卷积层和卷积序列学习层组合而成，对时空依赖关系进行建模。这是第一次使用图卷积神经网络结构进行交通预测。