【论文泛读06】学习交通图像：一种用于大规模交通网络速度预测的深度卷积神经网络

贴一下汇总贴：论文阅读记录

论文链接：《Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation Network Speed Prediction》

一、摘要

本文提出了一种基于卷积神经网络(CNN)的方法，将流量作为图像进行学习，并以较高的精度预测大规模、全网络的流量速度。通过二维时空矩阵将时空交通动态转化为描述交通流时空关系的图像。将CNN应用到图像中，进行两个连续的步骤：交通特征提取和全网络交通速度预测。评估了该方法的有效性通过两个真实的交通网络，北京二环路和东北交通网络为例。通过与四个主流算法，即普通最小二乘OLS、k近邻KNN、人工神经网络ANN和随机森林RW。和三个深度学习架构，即堆叠式自动编码器SAE、递归神经网络RNN和长短时记忆网络LSTM进行比较。结果表明，该方法在可接受的执行时间内平均提高了42.91%的准确率。CNN可以在合理的时间内对模型进行训练，因此适用于大规模的交通网络。

文章主要内容

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。

二、结论

• 深度学习方法在关于交通网络中道路路段的时空关系的研究还非常有限。
• CNN在计算机视觉方面取得了显著的成功，在图像学习任务上表现良好。
• 结果表明，该方法优于OLS、KNN、ANN、RF、SAE、RNN和LSTM神经网络，平均准确率提高42.91%。

可能的方向：

• CNN可以首先从交通网络中提取出抽象的交通特征。将特征向量输入到LSTM神经网络模型中，提高预测精度。

三、理论部分

本文使用的是出租车轨迹数据，利用轨迹数据获取某个路段某个时间段（本文2分钟）的平均交通速度，并整理成如下$M$矩阵形式。

$N$为时间间隔的长度，$Q$</