论文阅读1--《基于长短时记忆网络的Encoder-Decoder多步交通流预测模型》-CSDN博客

本文链接：https://blog.csdn.net/weixin_43217572/article/details/120468895

本文探讨了交通流预测的挑战，提出使用LSTM的Encoder-Decoder框架进行多步预测，以解决预测误差随预测步长增加的问题。模型通过编码器捕捉交通序列的历史信息，解码器递归反馈减少累积误差，适应交通流的非线性特性。实验证明了模型在PEMS-04和西安交通数据上的有效性。

摘要由CSDN通过智能技术生成

一、问题的提出

（1）近年来大部分交通流预测模型都是针对交通流序列的单步预测建立的，只适用于ITS短期决策问题中，比如说交叉口的信号配时。并不能满足ITS的对于道路拥堵形成时间、路径规划等问题的决策，因此对交通序列做多步预测很有必要。
（2）使用单一的神经网络模型对较长的序列进行多步预测时，每一步的预测误差将会随着预测步长的增加而增加，从而使预测得到的序列与原始序列存在较大的偏差

二、解决问题

（1）针对问题（1），对交通序列做多步预测
（2）针对问题二，将自然语言领域表现出色的编码器-解码器（ED）结构应用于交通流预测任务重。编码器将历史的交通流序列信息压缩为一个固定维度的状态向量，解码器对该状态向量进行解析，通过递归的方式将预测结果反馈到网络中，以此减少误差随着预测补偿的迅速累积，为实现更为准确的多步预测。
（3）此外，交通流因受交通流量、速度、时间占有率、密度等因素的影响，往往呈现出非线性的特点。因此，对交通流进行有效预测要使模型能够充分挖掘交通流序列中多个变量的非线性关系。而LSTM能够对传感数据的时间序列，及固定长度、固定周期的信号数据的显著特征进行有效的学习。