基于深度学习的城市路网交通预测分享之总结

最近，我听了DT财经-数据侠实验室第75期：解析基于深度学习的城市交通预测。张博士对于他们所做的工作介绍的非常详细，直播结束时，我提了几个相关的问题，在此进行简单地记录，并进行相应的扩展，这些问题都是深度学习中常见的问题。

接下来，从以下几个方面进行总结：首先，对该分享进行总结；其次，整理一下提问内容，并对提问内容进行扩展；最后，进行总结。

对分享进行总结：

1. 背景介绍：交通路况（交通拥堵）影响日常出行，基于过去的交通路况进行交通状态预测：基于路况预测的旅行时间估计；基于路况预测的动态路径规划。
2. 问题描述：基于路网T时刻之前的交通状态，预测之后一段时间内的交通状态。这里的一段时间可以是1分钟、5分钟等等。
3. 挑战及其对应的解决方案：使用深度学习进行预测
   • 交通状态变化呈现非线性特征：使用序列模型Seq2Seq来解决
   • 多步预测误差估计，预测准确度低：使用注意力机制Attention来改进模型
   • 交通状态空间关联性复杂：使用图卷积网络来处理空间信息
   • 交通状态受天气、时段、周次影响：构造多维度的特征向量
   • 基于海量的路网数据
4. 算法实验：基于以下标准进行算法对比实验。
   • 平均绝对误差
   • 平方根误差
   • 平均绝对百分误差

提问内容

1. 从数据的角度来看，如何避免梯度消失和梯度爆炸问题？

   梯度消失和梯度爆炸问题很大程度是由于模型导致的，数据的影响不是关键

2. 如何从GPS数据角度来描述交通拥堵

   使用GPS数据进行地图匹配；使用聚类算法对路段进行交通拥堵预测

3. 对于时间序列的数据预处理，您能给一些建议吗？

   • 异常值的检测
   • 数据缺失：附近数据的差值补全

4. 如果在时间序列数据考虑周期性，如节假日、工作日等特征

   分别增加两个特征节假日、工作日。

5. 如何选择特征，以及特征冗余如何处理

   使用决策树来计算特征的重要性，从而进行特征选择

   从结果导向来考虑特征冗余，在添加某个特征，去掉该特征之后，模型的预测结果有下降，说明该特征存在一定的冗余性。

梯度消失和梯度爆炸：https://www.jianshu.com/p/243ab5aff906

异常值的检测

数据缺失的处理方法：https://www.cnblogs.com/xiaohuahua108/p/6237906.html

决策树的特征选择算法：ID3、C4.5、CART算法

总结：

通过听该分享可以发现，特征的选择很重要，不同类型的特征要使用不同的方法进行处理，这样才能最大化地利用特征所包含的信息。从深度学习来看，对于时间序列问题，这是一种比较常用的解决方法；其中，具体使用的深度学习模型以及模型的融合，需要进行定制化处理。

基于深度学习的城市交通预测是一类时间序列的预测问题，因此，该分享同样适用于天气预报预测、股票预测等问题。

参考

1. 清华团队·解析基于深度学习的城市交通预测 数据侠实验室 75期
2. https://blog.csdn.net/panda_zjd/article/details/71810859/
3. https://www.cnblogs.com/xiaohuahua108/p/6237906.htmlhttps://www.cnblogs.com/xiaohuahua108/p/6237906.html)

---

• Previous
  单向散列函数
• Next
  selenium高级主题

---