(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！

​