论文推荐 | LSTM：长短期记忆神经网络的系统性应用（2020-09-25）

Posted 2021-04-26 交通攻城狮

微信ID：TrafficBlog

  2020，第 48 期，论文推荐  

✎ 导  语  

时间序列预测问题是交通领域经常遇到的问题之一，比如交通量预测、速度预测等。在众多时序预测方法中，近年来基于 LSTM 神经网络的方法备受欢迎。那么，LSTM 神经网络方法的优势到底在哪里呢？不妨我们通过学习下面的几篇论文来深入了解一下。

1. 详尽的 LSTM 原理介绍与应用

1.1 论文基本信息

论文题目（中文参考）

LSTM 网络：用于短期交通量预测的一种深度学习方法

图源：https://ieeexplore.ieee.org/document/7874313

发表期刊

IET Intelligent Transport Systems：中科院分区，工程技术 - 2 区；2019 IF - 2.48

1.2 论文核心内容

Keywords

recurrent neural nets; learning (artificial intelligence); road traffic control; intelligent transportation systems

关键词（中文参考）

循环神经网络；人工智能学习；道路交通控制；智能交通系统

论文摘要（中文参考）

短期交通预测是智能交通系统中的基本问题之一。准确的预测结果使通勤者能够制定适当的出行方式、出行路线和出发时间，这对于交通管理非常重要。

为了提高预测的准确性，一种可行的方法是开发一种更有效的交通数据分析方法。近年来，涌现出大量交通数据和可利用的计算能力，这促使我们通过深度学习方法提高短期交通预测的准确性。

该研究提出了一种基于长短期记忆（LSTM）网络的交通预测模型。与传统的预测模型不同的是，所提出的 LSTM 网络通过由许多存储单元组成的二维网络来考虑交通系统中的时空相关性。

与其他代表性预测模型的比较结果验证了所提出的 LSTM 网络可以实现更好的性能。

图源：Zhao Z, Chen W, Wu X, et al. LSTM network: a deep learning approach for short-term traffic forecast[J]. IET Intelligent Transport Systems, 2017, 11(2): 68-75.

拓展知识点

进一步学习该论文相关知识点可以参考以下资料：

• 知乎文章，博主 忆臻，一文搞懂RNN（循环神经网络）基础篇
• 知乎文章，博主 陈诚，人人都能看懂的LSTM

1.3 论文大纲

1. Introduction
2. Related work
3. Methodology（3.1 Internet of vehicles；3.2 Temporal–spatial correlation；3.3 Recurrent neural network；3.4 Structure of the memory unit of LSTM；3.5 LSTM network for traffic forecast；3.6 Training algorithm）
4. Experiment（ 4.1 Data description；4.2 Evaluation for forecast result；4.3 Determination of the LSTM network；4.4 Experiment result；4.5 Discussion）
5. Conclusion and future work

长按二维码可直达该论文所在出版商主页阅读

本节参考文献：

[1] Zhao Z, Chen W, Wu X, et al. LSTM network: a deep learning approach for short-term traffic forecast[J]. IET Intelligent Transport Systems, 2017, 11(2): 68-75.

[2] https://ieeexplore.ieee.org/document/7874313

2. 新方法 HTM 与 LSTM 的预测性能对比研究

2.1 论文基本信息

论文题目（中文参考）

评估 HTM 和 LSTM 对干线道路短期交通流量预测

图源：https://ieeexplore.ieee.org/document/8424074

发表期刊

IEEE Transactions on Intelligent Transportation Systems  ：中科院分区，工程技术 - 1 区 Top刊；2019 IF - 6.319

2.2 论文核心内容

Keywords

Arterial road networks；hierarchical temporal memory (HTM)；intelligent transportation systems；long short-term memory (LSTM)；traffic-flow prediction

关键词（中文参考）

干线道路网络；阶层式时序记忆（HTM）；智能交通系统；长期短期记忆（LSTM）；交通量预测

论文摘要（中文参考）

近年来，出现了两项重要的技术：能够存储、检索和处理大量数据的大数据系统，以及能够学习和预测复杂序列的机器学习算法。结合起来，这些技术为利用日益增多的交通量数据来改善交通流预测和异常交通流检测提供了新的机会。

在本文中，我们调查和评估了阶层式时序记忆（HTM）在交通流量的短期预测中的应用，应用平台和数据为：南澳大利亚州阿德莱德市区主干道上的真实悉尼协调自适应交通系统（Sydney Coordinated Adaptive Traffic System）及其收集的数据。

将上述应用结果与长期短期记忆（LSTM）的结果进行比较。在批量学习和在线学习模式下，对 LSTM 网络配置进行的扩展实验为结果提供了优于以前使用 LSTM 和其他深度学习技术进行短期流量预测的性能。

此外，我们认为 HTM 具有作为短期交通流量预测的有效工具的潜力，其结果与 LSTM 相当，并且在交通流量分布发生变化时 HTM 得到改善。

图源：Mackenzie J, Roddick J F, Zito R. An evaluation of HTM and LSTM for short-term arterial traffic flow prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 20(5): 1847-1857.

拓展知识点

进一步学习该论文相关知识点可以参考以下资料：

• 科学网，博主 wolfewu，初识 Hierarchical Temporal Memory
• CSDN，博主 空空看春晚，机器学习中在线学习、批量学习、迁移学习、主动学习的区别

2.3 论文大纲

1. Introduction
2. Background（2.1 Related Work；2.2 Hierarchical Temporal Memory）
3. Methodology（3.1 Performance Measures；3.2 HTM；3.3 LSTM；3.4 Batch Learning (LSTM-Batch)；3.5 Online Learning (LSTM-Online)）
4. Results（ 4.1 Datasets；4.2 Analysis）
5. Conclusion

长按二维码可直达该论文所在出版商主页阅读

本节参考文献：

[1] Mackenzie J, Roddick J F, Zito R. An evaluation of HTM and LSTM for short-term arterial traffic flow prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 20(5): 1847-1857.

[2] https://ieeexplore.ieee.org/document/8424074

3. 缺失数据集的处理值得学习

3.1 论文基本信息

论文题目（中文参考）

缺失数据下基于 LSTM 的交通流量预测

图源：https://www.sciencedirect.com/science/article/pii/S0925231218310294

发表期刊

Neurocomputing ：中科院分区，计算机科学 - 2 区 Top刊；2019 IF - 4.438

3.2 论文核心内容

Keywords

Traffic flow prediction；Intelligent transportation systems；Deep learning；LSTM

关键词（中文参考）

交通流量预测；智能交通系统；深度学习；LSTM

论文摘要（中文参考）

交通流量预测在智能交通系统中起着关键的作用。然而，由于交通传感器通常是人工控制的，因此，交通流数据长度的变化、采样的不规则和数据缺失等都很难有效利用。

为了克服这个问题，该研究提出了一种基于长短期记忆（LSTM）的新方法。另外，采用多尺度时间平滑来推断缺失的数据，并通过提出的方法学习预测残差。

我们在 Caltrans Performance Measurement System（PeMS）数据集和自己收集的交通流量数据集上验证了提出方法的性能。

根据实验结果，与其他方法相比，该研究提出的方法在交通流量预测中获得了更高的准确性。

图源：Tian Y, Zhang K, Li J, et al. LSTM-based traffic flow prediction with missing data[J]. Neurocomputing, 2018, 318: 297-305.

拓展知识点

进一步学习该论文相关知识点可以参考以下资料：

• 知乎文章，博主 陈诚，人人都能看懂的LSTM

3.3 论文大纲

1. Introduction
2. Related work
3. Long short-term memory
4. LSTM prediction with missing data（4.1. Patterns of missing data；4.2. Multiscale missing value prediction；4.3. LSTM-based residual prediction）
5. Experimental results（5.1. Hardware and software environments；5.2. Training the network； 5.3. Data sets；5.4. Evaluation criteria；5.5. Experimental results on our traffic flow data set；5.6. Experimental results on the PeMS data set）
6. Conclusion

长按二维码可直达该论文所在出版商主页阅读

本节参考文献：

[1] Tian Y, Zhang K, Li J, et al. LSTM-based traffic flow prediction with missing data[J]. Neurocomputing, 2018, 318: 297-305.

[2] https://www.sciencedirect.com/science/article/pii/S0925231218310294

 相关文章推荐

交通攻城狮 发起了一个读者讨论 2020-09-25：留下您的看法吧

点个在看，你最好看

end

注：本文无意侵犯上述论文的原创权益，旨在传播交通领域的高水平研究成果，便于同行快速预览研究内容。此外，中文翻译仅供参考，与原文不一致的内容均以英文论文描述为准，建议直接阅读论文原文。