python交通流预测算法_（5）基于深度学习的短时道路交通流预测

交通预见未来 (5)基于深度学习的短时道路交通流预测

1、文章信息

《Short-Term Traffic Flow Prediction with Conv-LSTM》。

这篇文章是一篇会议论文，2017第九届无线通信与信号处理国际会议(WCSP)，福州大学物理与信息工程学院的几位老师，被引10次。

2、主体内容

本文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。

利用ConvLSTM模块对相邻区域的短时交通流数据进行处理，提取时空特征;利用双向LSTM对预测点历史交通数据进行处理，提取交通流数据的周期特征。提出了一种无需数据预处理和数据特征提取的端到端深度学习短时交通流预测体系结构。最后，集中时空特征和周期特征对交通流进行预测。

3、创新点

既使用了ConvLSTM，又使用了Bi-LSTM, 结构新颖。

4、大家比较关注的算法实现

我们将交通流数据映射到一维向量。我们将预测点的交通流数据放入向量中心，根据与预测点的距离，将其他点的交通流数据依距离放在该向量中心(预测点)两侧。

将不同时刻的一维空间信息向量组合成矩阵如下：

<