(7) 使用卷积神经网络做交通速度预测-案例简介

交通预见未来(7) 使用卷积神经网络做交通速度预测-案例简介

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。

1、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。

2、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分钟的;
Task 2: 使用过去40分钟的交通速度预测未来10分钟的;
Task 3: 使用过去30分钟的交通速度预测未来20分钟的;
Task 4: 使用过去40分钟的交通速度预测未来10分钟的.

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~

3、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。

 

关注微信公众号《当交通遇上机器学习》,后台回复“数据”即可获取高达175G的四个月的滴滴GPS数据和滴滴订单数据的获取方式,以及从数据处理(Oracle数据库)、模型构建(机器学习)、编程实现(python)到可视化(ArcGIS)等一系列视频教程。

公众号以交通大数据为主线,专注于人工智能、机器学习、深度学习在道路交通和轨道交通领域内的科研前沿与应用,在交通大数据与机器学习的道路上越走越远!

https://img-blog.csdnimg.cn/20190514010027398.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3p1aXlpc2hpaGVmYW5n,size_16,color_FFFFFF,t_70

发布了33 篇原创文章 · 获赞 26 · 访问量 3万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 大白 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览