SAEs

论文简读-栈式自编码的上海地铁短时流量预测

摘要：利用历史刷卡数据，提出了一种基于深度学习的地铁短时客流量预测方法，基于栈式自编码器构建深度神经网络模型，采用自下而上逐层非监督预训练，在预训练结束之后，采用反向传播ＢP算法自上而下来微调整个网络的参数。

模型-基于SAE的深度学习

该模型底层由栈式自编码器构成，用于特征提 取；顶层为一个逻辑回归器，用于客流量预测。

1. AE ，自动编码器 AE（AutoEncoder）是一种试图重构原始输入信号的神经网络，
   2.SAE，栈式自编码器SAE由一组自动编码器连接构 成，它将下层自动编码器的输出作为上层自动编码器的输入。L层的SAE,训练集作为第一次的输入，第k（小于L）层的输出作为第k+1的输入。堆栈的方式逐层组合在一起。文中为了预测流量，在编码层添加一个预测器-逻辑回归，
2. 评价指标 ，MAE，MAPE，RMSE
3. 数据，地铁刷卡数据
4. 结论，SAE模型比 Ｗａｖｅｌｅｔ －ＮＮ 模型和 ＡＲＩ － ＭＡ模型预测精度更高。
5. 代码参考：https://github.com/xiaochus/TrafficFlowPrediction