论文总结-交通预测(未完成)

论文总结-交通预测(未完成)

通过找文献、下载文献、精读文献，向好的文章学习，具体化、实例化的总结归纳每一篇文章！不要浪费时间在劣质文章和试读文章，要多多花费时间在精读文章上~~学会使用《中国计算机学会推荐国际学术会议和期刊目录》

Sci论文期刊检索|文献检索求助互助 - Sci-Hub|Scidown

dblp: computer science bibliography

Sci-Hub:SciHub科研学术网址导航

目录

0.概况

一、研究背景

1.1目前方法的局限

1.2研究的意义

1.3本文主要贡献

二、本文方法

2.1两类方法

具体化

model

2.2具体实现

A参数回归和非参数回归

参数回归：

非参数回归：

B深度学习

C集成学习方法

2.3方法论

A问题描述

B使用CNN进行时空表示

C对交通预测的集成学习

算法：

三、实验分析

A数据集和实验设置

(1)数据集描述和数据预处理

(2)模型架构

B评价指标

C结果和讨论

实验对比

成功项目展示

四、文献拓展

0.概况

文献名称：Acting as a Decision Maker:Traffic-Condition-Aware Ensemble Learning for Traffic Flow Prediction

本地位置：/Users/yueying/Desktop/others🧴/ml

期刊：IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS

发表时间：2020

关键词：Traffic flow prediction,ensemble learning,deep learning

数据集：Caltrans Performance Measurement System 网址：http://pems.dot.ca.gov/

权威数据：交通领域科研常用数据集总结与分享

真正意义上读懂一篇文献，是深入浅出，用最简单的语言讲述复杂的问题，具体的模型和方法远远没有弄懂这篇论文“在干什么”重要。

一、研究背景

由于交通流时间序列中复杂的不稳定的时间动态化&公路网络的空间依赖性(就是指当地理空间中某一点的值依赖于和它相邻的另一点的值时，就产生了空间依赖性，于是在这一个地理空间中各个点的值都会影响相邻的其他点的值。)目前没有很有优势的方法

1.1目前方法的局限

没有假设一个交通流量模型去描述交通系统的动态性；

没有一个交通模型可以一直优于其他模型，在任意交通状况，对于任意数据集；原因：(1)由于交通流时间序列中复杂的不稳定的时间动态化&公路网络的空间依赖性难以建模(2)一个单独模型难以概括不同的交通状况

1.2研究的意义

有重要意义：for both proactive traffic control and traveler information service

1.3本文主要贡献

(1)设计出了一个集成学习框架：TCAE——Traffic-Condition-Aware-Ensemble 改善了交通预测的性能；

(2)构造了CNN模型，通过提取时空特征，卷积操作提取时间特征，池化操作提取空间特征；

(3)作者实验证明了TCAE的性能优于SVR,LSTM,HA,WR,GBRT

二、本文方法

2.1两类方法

(1)基于模型的[例如macroscopic model, mesoscopic model, microscopic model]

(2)大数据驱动的[建立一个mapping] 【作者集中讲述】

具体化

集成学习vs GBRT SVR LSTM HA

公式：

$F$ 是一个集成模型， $f$ 是基模型， $\gamma$ 是基模型的权重；

上图展示：不同(SVR和LSTM)基模型的性能；

(a)LSTM预测在目标值的上面，SVR预测在目标值的下面；

(b)LSTM和SVR均在目标值的下面；

(c)LSTM和SVR均在目标值的上面；

model

本文使用CNN获取交通流中的spatiotemporal时空特征，提取高水平的特征，生成权重。

2.2具体实现

本文提出了一个集成学习框架：两个必不可少的模型分别是交通状况识别和动态权重生成

A参数回归和非参数回归

参数回归：

ARIMA(Autoregressive Integrated Moving Average 时间序列自回归整合移动模型)：预测交通容量 1980's 首先识别出3个模型参数， $ARIMA(p,d,q)$ ， $p$ 代表自回归项的数量， $d$ 代表差分阶数， $q$ 代表移动平均项的数量。

很多研究者提出了它的变体：Kohonen ARIMA, subsetARIMA, ARIMA with explanatory variables, and Seasonal ARIMA；

vs ARIMA：卡尔曼滤波也是一种参数回归的方法；

ARIMA（p,d,q）模型原理及其实现 --------python_English Chan的博客-CSDN博客_arima模型表达式怎么写

参数回归不适合预测快速变化的样本 => 非参数回归。

非参数回归：

非参数回归的方法例如：SVR(support vector regression支持向量机回归),KNN(k-nearest neighbors最邻近分类)

机器学习笔记 - 什么是支持向量回归(SVR)？_坐望云起的博客-CSDN博客_支持向量机回归

机器学习之KNN最邻近分类算法_pengjunlee的博客-CSDN博客_knn分类算法

KNN算法（一） KNN算法原理_~风凌天下~的博客-CSDN博客_knn

B深度学习

DNN深度神经网络算法比传统的参数回归和非参数回归方法性能更高，主要使用的体系结构有：DFN深度前反馈网络，RNN循环神经网络，CNN卷积神经网络...

C集成学习方法

同质弱学习器：bagging(基础模型根据不同的训练实例集进行训练，然后对其输出直接取平均值进行回归或多数投票进行分类) & boosting(训练一系列基模型在同一时间计算出权重)；

异质弱学习器：stacking(先训练基模型，然后再训练一个高水平的模型或元模型，把基类模型的输出当作输入)；

集成学习方法可以减少模型种类，提高预测精度；

列举最近的研究...

2.3方法论

A问题描述

把观测到的交通数据(交通容量、行程时间)和外部信息(例如极端天气)映射到目标交通流量预测，定义一个交通流矩阵：

$x_{t}^{i}$ 代表探测器 $i$ 在时间 $t$ 的交通流，矩阵里面存放的是历史探测数据； $\hat{y}_{t+1}^{j}$ 代表探测器 $j$ 在时间 $t+1$ 的交通流估计值；映射函数可以表示为 $\Re :X^{i}\rightarrow \hat{y}_{t+1}^{j}$

B使用CNN进行时空表示

把式(5)代入式(4)得到式(6) $a_{p}^{I}=f(K^{T}x_{t-\tau +p:t-\tau +p +V-1}^{I}+b)$ ;

我们重复迭代式(6)从 $p=1$ 至 $p=\tau -V+1$ ，我们得到卷积操作在特征向量 $x_{t-\tau +1:t}^{i}$ 基础上的特征向量 $a^{i}=(a_{1}^{i},a_{2}^{i},\cdot \cdot \cdot, a_{\tau -V+1}^{i})^{T}$ ；如果有 $M$ 个探测器，输出特征的维度是: $M *(\tau -V+1)$ ，写作 $A_{k}=(a^{1},\cdot \cdot \cdot,a^{M} )^{T}$ .

一层filter卷积输出一个feature map，池化输出的 $q-th$ 元素在特征向量 $a_{j}=(a_{j}^{1},\cdot \cdot \cdot \cdot ,a_{j}^{M})^{T}$ 是 $o_{j}^{q}=f(\beta max[a_{j}^{q},\cdot \cdot \cdot ,a_{j}^{q+m-1}]+b)$ ， $\beta$ 是乘法的偏置， $b$ 是加法的偏置， $m$ 是池化窗口的尺寸。 $f$ 是激活函数，池化的输出可以写作：

卷积操作和池化操作之后，最新的输出map传递到全连接神经网络层，输出权重向量： $(a_{i}\cdot \cdot \cdot a_{j})^{T}$ .

C对交通预测的集成学习

(1)增强精度；

(2)减少误差；

一个相加模型：

$\hat{y}_{t}=\Re (X_{t}-1)=\sum_{i}^{}\alpha _{t,i},\hat{y}_{t,i}$

$\alpha _{t,i}$ 是使用CNN学习到的权重， $\hat{y}_{t,i}$ 是 $i-th$ 交通预测器的输出；

定义损失函数：

$L=L(y_{t},\sum \alpha _{t,i} \hat{y}_{t,i} )$

算法：

三、实验分析

实验证明了作者预测的高性能：

A数据集和实验设置

(1)数据集描述和数据预处理

作者使用交通领域科研常用数据集：Caltrans PeMS，是California的交通大数据系统，地图上显示的交通数据是从39000多个单独的探测器中实时收集的，这些传感器跨越了California所有主要都会区的高速公路，数据量非常之大、之全。

147个机动车探测器，数据时间跨度：一年中363天，从上午6点到下午十点；

用箱形图表示数据集，表示出最小值、上四分位数、中位数、下四分位数和最大值：

对数据集进行z- score标准化处理，公式如下： $y^{*}=\frac{y-\overline{y}}{\sigma }$

前50个数据用来计算，147分数据用来当作输入，前80%用作训练集，后20%用作测试集。

上图绘出了工作日和周末高速公路交通流；

为充分利用时空特征，时间序列特征向量 $x^{i}$ :由连续的6个交通流点组成，命名为 $(x_{t-5}^{i},...,x_{t-1}^{i},x_{t}^{i})$ ，显示地显示出了机动车探测点位置的时间依赖性，数据集包含了147个机动车探测点位置(VDS $i$ )，交通矩阵 $X_{t}$ 包含了所有机动车探测点位置的特征向量，表示为：

$(x_{t-5:t}^{1},x_{t-5:t}^{2},\cdot \cdot \cdot \cdot, x_{t-5:t}^{147})^{T}$

(2)模型架构

Pytorch & scikit-learn

WRegression的预测值 $\hat{y}$ 写作 $\hat{y}=\sum_{i}^{}\omega _{i}\hat{y}_{i}$ ， $\hat{y}_{i}$ 是基模型 $i$ 的预测值， $w_{i}$ 是它的权重。

B评价指标

MAE

RMASE

MRE

C结果和讨论

实验对比

成功项目展示

四、文献拓展

文献总结模版参考：文献Review：基于端元可变光谱分解的多时相遥感影像变化检测方法_harden1013的博客-CSDN博客

机器学习 - Ensemble Model - 知乎

自动回归移动模型 - 小司 - 博客园

移动平均线研判（Moving average） - 道客巴巴

Bagging与Boosting的区别与联系_我对算法一无所知的博客-CSDN博客_bagging和boosting的区别

常用的模型集成方法介绍：bagging、boosting、stacking

集成学习方法之Bagging，Boosting，Stacking_天才厨师1号的博客-CSDN博客_bagging、boosting、stacking

ImportError: cannot import name 'tqdm' from partially initialized module 'tqdm' (most likely due to a circular import) (/Users/yueying/coding2022/tqdm.py)

解绝:ImportError: cannot import name XXX from partially initialized module XXX (most likely_沫小希的博客-CSDN博客

python3中，socket使用send函数时出现的错误：TypeError: a bytes-like object is required, not 'str'_code的魅力的博客-CSDN博客
相关阅读:
异步复位的串联T触发器
 Jmeter接口自动化测试操作流程
 DOS路径与NT路径转换(Win32, C++)
FM5889协议系列-识别加限流IC 多口USB超级充电器
 荐读 | 图计算的查询模式有哪些？
【openGauss】如何在openGauss中实现类似Oracle中constructor function、member function的功能
 ORM框架，反射，泛型，注解，CRUD实现
 Vue路由介绍及使用
 记一次使用动态引入vue组件的经历
 小黑开组会呢的leetcode之旅:剑指 Offer 57. 和为s的两个数字
原文地址：https://blog.csdn.net/m0_57656758/article/details/127166592

0.概况

一、研究背景

1.1目前方法的局限

1.2研究的意义

1.3本文主要贡献

二、本文方法

2.1两类方法

具体化

model

2.2具体实现

A参数回归和非参数回归

参数回归：

非参数回归：

B深度学习

C集成学习方法

2.3方法论

A问题描述

B使用CNN进行时空表示

C对交通预测的集成学习

算法：

三、实验分析

A数据集和实验设置

(1)数据集描述和数据预处理

(2)模型架构

B评价指标

C结果和讨论

实验对比

成功项目展示

四、文献拓展