CNN卷积神经网络之交通预测案例

此篇文章主要介绍上一篇论文的案例研究部分，背景和理论部分请看上一篇文章（点击阅读原文）。

文章信息

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

北航马晓磊老师2017年发在开源期刊Sensor上的一篇文章（大类工程技术3区，IF:2.475）,被引168次。

案例研究

从上篇文章得知，本文的输入为：

 

N为时间间隔的长度，Q为路段的长度，像素mij是第i路段在j时刻的平均交通速度。设x轴和y轴分别表示矩阵的时间和空间。生成的矩阵可以看作是图像的一个通道channel，因此，图像的宽度为M像素，高度为N像素。

实验数据：北京市2015年5月1号到6月6号出租车GPS数据，定位间隔约为1分钟，利用该轨迹数据获取某个路段某个时间段（本文2分钟）的平均交通速度得到上述矩阵。

本文选取了两个交通网络，一个是二环路（单向，236个路段），一个是东北部的一个子网络（部分双向，352个路段）。进行了4次实验，task1-task4.

Task 1: 使用过去30分钟的交通速度预测未来10分钟;

Task 2: 使用过去40分钟的交通速度预测未来10分钟;

Task 3: 使用过去30分钟的交通速度预测未来20分钟; 

Task 4: 使用过去40分钟的交通速度预测未来10分钟.

 

为了获取交通速度矩阵，第一个网络直接拉直即可，第二个是把网络切割成一段一段的交通直线然后按顺序放置。

一天的数据处理成一张图片后共37张图片，如下图，横轴为时间，纵轴为各个路段。越红代表速度越低越拥挤。

 

CNN参数：

Filter size=(3, 3), Pooling size=(2, 2), filter 分别为256，128，64个; 训练集为前30天的21600个样本（2分钟一个样本，一个小时30个，一天24*30=720个，30天720*30=21600个），测试集为后7天5040个样本。

预测结果：

 一直感觉这种比较就是自欺欺人，但是还得比较~

展望

文章一直在强调两点：

1，CNN不同于普通的全连接层，由于滤波器filter的存在，CNN能够提取局部特征。文章使用了数百个filter，一个filter可以能够提取1个交通特征，因此，对一个输入层，数百个filter就可以提取数百个交通特征。

2，池化层的设计目的是缩小采样和聚合数据，因为它们只从特定区域提取显著的数字。池化层保证CNN是局部不变的，这意味着不论是否进行特征移动、旋转或缩放CNN总是可以从输入中提取相同的特征。

借鉴意义：要反复强调自己的创新点。

Attention

如果你和我一样是轨道交通、交通运输、城市规划相关领域的，也愿意分享自己的科研生活，请加下面的二维码扫码进群，人数满员后加微信：Dr_JinleiZhang，备注“进群”，我会拉你进交通大数据分享群！不愿意分享的请勿打扰哈！希望我们共同进步！

Transportation-ML

与你分享科研成长的乐趣

长按二维码关注