基于CLSTM神经网络公交到站时间预测.pptVIP

基于 CLSTM神经网络的公交到站时间预测 Multi-output Bus Travel Time Prediction with Convolutional LSTM Neural Networks Q下  Figure 1: Arrival- and departure using link travel time. ●预测站点A到站点B的到站时间 ( linkI+link2+link3)行程时间+预估的停靠时间 ●郊区预测:可通过大量历史数据做回归预测 ●城区预测:需要考虑拥堵情况、道路事故、路网状态、气象等因素  传统模型深度学习 深度学习预测 传统预测—— -Kalman- filters模型 involutional lstm神经网络 xk= Fixk-1+ B uk+ Wk LSTM:长短期记忆循环神经网络,能够获 Fk:作用在xk-1上的状态变换模型 取数据间长时间的依赖关系(站点At时刻 到站时间和t-w+1,…t-1时刻到站时间相 By:作用在控制器向量ue上的输入控制模 CNN:卷积神经网络,能够获取站点间空间 匀值为0,协方差 依赖关系 求签花踏繁型设时刻的机态定1时 倍笑系等交系统中无多个  LSTM (Long Short-Term Memory) 造忘门:f,=o(W,1x+ 根据当前时刻的输入x,对上一个 选择性边 输入门:1= 1x+b)C4=tmnh(wc1b-1,x+b)C=f“C1+ 算当前输入x哪些信息保存到当前状态c,乙代表当前的记忆,C代表当前的状态 I. x,+b,)h,=0, tanh(C,) 01制当前有多少信息输出  CNN(Convolutional Neural Network) CNN通过矩阵卷积运算学习站点间的空间关系 站点间的行程时间组成一个1维矩阵 通过一个固定长度的卷积核卷积计算提取关系 Figure 2: Application of Convolutional flter onto ID data CNN提取图像边缘特征 1