شبکه فضایی و زمانی چند مقیاسی مبتنی بر توجه برای پیش بینی ترافیک با ترکیب عوامل خارجی

چکیده

پیش بینی و تحلیل دوره ای ترافیک برای شهرنشینی و سیستم های حمل و نقل هوشمند (ITS) ضروری است. با این حال، پیش‌بینی ترافیک به دلیل جریان غیرخطی ترافیک و وابستگی متقابل آن به ویژگی‌های مکانی و زمانی چالش برانگیز است. جریان ترافیک یک وابستگی طولانی مدت به ویژگی های زمانی و یک وابستگی کوتاه مدت به ویژگی های مکانی محلی و جهانی دارد. به شدت تحت تأثیر عوامل خارجی مانند آب و هوا و نقاط دیدنی قرار دارد. مدل های موجود پیش بینی های بلند مدت و کوتاه مدت را در فضای اقلیدسی در نظر می گیرند. در این مقاله، ما یک رمزگذار-رمزگذار مبتنی بر توجه با لایه‌های انباشته شده LSTM طراحی می‌کنیم تا وابستگی‌های فضایی-زمانی چند مقیاسی در فضای غیر اقلیدسی را برای پیش‌بینی ترافیک تحلیل کنیم. وزن توجه به صورت تطبیقی به دست می‌آید و عوامل خارجی با خروجی رمزگشا ترکیب می‌شوند تا پیش‌بینی‌های ترافیکی منطقه را ارزیابی کنند. آزمایش‌های گسترده‌ای برای ارزیابی عملکرد شبکه فضایی-زمانی غیر اقلیدسی مبتنی بر توجه پیشنهادی (ANST) بر روی مجموعه داده‌های دنیای واقعی انجام می‌شود. مدل پیشنهادی دقت پیش‌بینی را نسبت به روش‌های قبلی بهبود بخشیده است. بینش های به دست آمده از پیش بینی ترافیک برای رفت و آمد روزانه و تدارکات مفید خواهد بود.

کلید واژه ها:

فضایی و زمانی توجه ؛ عوامل خارجی ؛ رمزگذار – رمزگشا ; پیش بینی ترافیک ؛ همجوشی داده ها

۱٫ مقدمه

شهرنشینی سریع تغییرات قابل توجهی را در الگوهای حمل و نقل و جابجایی ایجاد کرده است و باعث ازدحام ترافیک شده است. این می تواند با استفاده از سیستم های هوشمند برای حمل و نقل، که برای تحرک هوشمند، کنترل ترافیک و هدایت مسیر حیاتی هستند، کاهش یابد. پیش‌بینی دقیق ترافیک به افراد در برنامه‌ریزی مسیرهای سفر کمک می‌کند، هزینه/زمان رفت‌وآمد را کاهش می‌دهد و ازدحام ترافیک را کاهش می‌دهد. جریان ترافیک تعداد وسایل نقلیه ای است که در یک بازه زمانی معین از یک جاده عبور می کنند. زمانی که بازه زمانی از چند ثانیه تا یک ساعت باشد، می توان آن را به عنوان یک پیش بینی کوتاه مدت طبقه بندی کرد. با این حال، اهداف پیش‌بینی بلندمدت جریان ترافیک را در آینده در طول یک یا چند روز، هفته یا ماه پیش‌بینی می‌کنند [ ۱ ، ۲ ]]. به طور کلی، جریان ترافیک به عنوان یک نوع سری زمانی طبقه بندی می شود که تصادفی و غیرخطی است و از اندازه گیری های ارزش پیوسته به صورت دوره ای تشکیل شده است. داده های سری زمانی ثابت به روندها و فصل ها بستگی ندارد. داده های ترافیک غیر ثابت هستند و به هر دو روند و فصل بستگی دارند. به همین ترتیب، پیش‌بینی‌های سری زمانی می‌توانند تک متغیره باشند اگر فقط از مقادیر قبلی سری برای پیش‌بینی آینده استفاده شود یا اگر پیش‌بینی‌کننده‌ها به مقادیر قبلی و سایر متغیرها وابسته باشند، چند متغیره باشند. پیش‌بینی سری‌های زمانی [ ۳ ، ۴ ] به طور موثر در تحلیل ترافیک برای پیش‌بینی جریان‌های ترافیکی آینده کوتاه‌مدت و بلندمدت با دقت بالا استفاده شده است. پیش بینی جریان ترافیک می تواند برای تجزیه و تحلیل داده های جریان ترافیک برای پیش بینی ترافیک آینده استفاده شود.

مطالعات متعددی در ادبیات پیش بینی ترافیک کوتاه مدت انجام شده است. با این حال، این مقیاس زمانی برای جلوگیری از ازدحام ترافیک، مسافران را هنگام تصمیم گیری با محدودیت هایی مواجه می کند. پیش بینی طولانی مدت دقیق و به موقع می تواند به مدیران ITS در تصمیم گیری عاقلانه و دقیق در مورد مدیریت و برنامه ریزی ترافیک کمک کند. با این وجود، پیش‌بینی‌های بلندمدت تحت تأثیر اشتباهات حساس انتشار قرار دارند. با افزایش افق پیش‌بینی، دقت کاهش می‌یابد، زیرا بیشتر روش‌های پیش‌بینی تکراری هستند، که باعث تجمع و انتشار خطا می‌شود و پیش‌بینی‌های بلندمدت را چالش‌برانگیزتر از پیش‌بینی‌های کوتاه‌مدت می‌کند. به همین ترتیب، پیش بینی ترافیک می تواند بر اساس پیوندها یا مناطق باشد. اکثر متون بر پیش بینی ترافیک با یک پیوند واحد تمرکز کرده اند [۱ ، ۲ ، ۳ ، ۴ ، ۵ ، ۶ ، ۷ ، ۸ ، ۹ ، ۱۰ ، ۱۱ ، ۱۲ ]، نادیده گرفتن وابستگی های مکانی و زمانی. با این وجود، تعداد کمی از نویسندگان همه پیوندهای شبکه را دارای وزن یکسانی در نظر گرفته اند. در عمل، تنها پیوندهای مهم خاصی به ترافیک شبکه کمک می کنند و الگوهای منحصر به فردی را در طول زمان ایجاد می کنند. به عنوان مثال، برخی از لینک‌ها و اتصالات شلوغ، حجم عظیمی از ترافیک را در ساعات اوج مصرف ایجاد می‌کنند، در حالی که سایر لینک‌ها بدون ترافیک هستند. بنابراین، ترافیک گسترده شبکه برای نتایج واقعی باید تجزیه و تحلیل شود.

با توجه به کاربردهای فناوری حسگر، حجم عظیمی از داده های ترافیکی برای تحقیق در دسترس است. تحلیل‌های سری زمانی، هموارسازی نمایی و رویکردهای یادگیری ماشین برای پیش‌بینی استفاده شده‌اند. با ظهور یادگیری عمیق که توانایی یادگیری ویژگی های با دانش قبلی و هوش مصنوعی کمتر را دارد، می توان به راحتی اطلاعات را از تصاویر و فیلم ها استخراج کرد. یادگیری عمیق دقت پیش‌بینی بالایی دارد و مشکلاتی را که نمی‌توان با روش‌های مرسوم حل کرد، حل می‌کند. به طور کلی، شبکه های عصبی کانولوشن (CNN) ویژگی های فضایی را استخراج می کنند، اما آنها محدود هستند زیرا فقط از داده های اقلیدسی استفاده می کنند. شبکه‌های جاده‌ای ترافیک داده‌های غیراقلیدسی را تولید می‌کنند، و بنابراین، شبکه‌های عصبی کانولوشن گراف (GCN) معمولاً در تجزیه و تحلیل ترافیک استفاده می‌شوند [ ۸ ،۱۳ ]. برای دقیق تر، یک GCN دارای روش های طیفی و رویکردهای مبتنی بر فضایی است. رویکردهای مبتنی بر طیف، فیلترهایی را برای پیچیدگی گراف بر اساس پردازش سیگنال گراف برای حذف نویز معرفی می‌کنند. علاوه بر این، رویکردهای مبتنی بر فضایی اطلاعات ویژگی‌ها را از همسایگان جمع‌آوری می‌کنند تا پیچیدگی‌های گراف را تشکیل دهند. با این حال، عملگر پیچیدگی در یک GCN برای همبستگی فضای غیراقلیدسی مؤثر نیست. به طور ذاتی، شبکه های عصبی بازگشتی (RNN) در هنگام پیش پردازش داده های سری زمانی ترجیح داده می شوند. متأسفانه، مشکل گرادیان ناپدید شدن غالب در RNN ها توانایی آنها را برای یادگیری دنباله های طولانی محدود می کند، و بنابراین، انواع RNN – حافظه کوتاه مدت بلند مدت (LSTM) و واحد بازگشتی دروازه ای (GRU) – استفاده می شود [ ۱۴ ]]. با این وجود، برای این انواع، با افزایش طول توالی ورودی، مدل‌های توالی به کار گرفته می‌شوند. مکانیزم رمزگذار – رمزگشا نوعی مدل توالی است که با RNN یکپارچه شده است تا ترافیک را برای افق های بزرگ پیش بینی کند. با این حال، زمانی که طول سری ورودی افزایش می یابد، عملکرد شبکه بدتر می شود. از این رو، استفاده از مکانیزم توجه با رمزگذار-رمزگشا LSTM برای جذب وابستگی‌های مکانی و زمانی و بهبود دقت پیش‌بینی، ترجیح داده می‌شود.

به طور خاص، جریان ترافیک به وابستگی‌های چند مقیاسی جهانی و محلی مکانی-زمانی وابسته است. شکل ۱ را در نظر بگیرید ، که در آن جریان ترافیک در حسگر ۴ به طور مستقیم تحت تأثیر جریان ترافیک در حسگر ۲ و سنسور ۳ است که باعث وابستگی فضایی محلی می شود. از سوی دیگر، ترافیک در حسگر ۱ به طور غیرمستقیم بر ترافیک حسگر ۴ تأثیر می‌گذارد و به وابستگی‌های فضایی جهانی کمک می‌کند. به همین ترتیب، ترافیک در زمان t + ۱بستگی به ترافیک در t و t – ۱برای به تصویر کشیدن الگوهای هفتگی و روزانه.

به عنوان مثال، دو استادیوم را در نظر بگیرید که از نظر معنایی مشابه هستند، جایی که یک ورزشگاه میزبان رویدادی است در حالی که دیگری میزبان چیزی نیست. در این صورت نمی توان فقط فاصله را در نظر گرفت. بنابراین، برای پیش بینی ترافیک باید نقاط مورد علاقه در نظر گرفته شود. با این حال، جریان ترافیک مستقیماً تحت تأثیر آب و هوا است. انگیزه اصلی این مقاله پرداختن به چالش‌های پیش‌بینی ترافیک با توجه به وابستگی‌های مکانی-زمانی در فضای غیراقلیدسی همراه با تأثیر عوامل خارجی است. مشارکت های کلیدی به شرح زیر است:

طراحی یک رمزگذار و رمزگشای دقیق مبتنی بر منطقه برای گرفتن وابستگی های مکانی و زمانی چند مقیاسی در فضای غیر اقلیدسی.
طراحی یک مدل فیوژن تصمیم با الحاق خروجی رمزگشا با عوامل خارجی مانند آب و هوا، تعطیلات و نقاط مورد علاقه برای پیش‌بینی جریان ترافیک آینده در یک افق.

کار ما با کارهای موجود متفاوت است. ساختارهای غیر اقلیدسی با ویژگی های فضایی-زمانی در [ ۱۵ ، ۱۶ ، ۱۷ ، ۱۸ ، ۱۹ ] مورد مطالعه قرار گرفته است. با این حال، تأثیر عوامل خارجی مانند آب و هوا، که تأثیر زیادی بر جریان ترافیک دارد، در فضای غیر اقلیدسی بررسی نشده است.

۲٫ کارهای مرتبط

به طور کلی، جریان ترافیک سرعت، جریان و تراکم را در یک دوره زمانی در نظر می گیرد. این پارامترها برای برنامه و برنامه الگوی سفر حیاتی هستند. روش‌های سنتی پیش‌بینی جریان ترافیک را می‌توان به سه نوع دسته‌بندی کرد: مدل‌محور، داده‌محور و مدل‌های ترکیبی. این مدل ها در زیر تعریف می شوند:

مدل‌های مدل محور یا پارامتریک بر اساس چندین فرض و پیش‌شرط هستند که شامل مدل میانگین متحرک یکپارچه خودکار (ARIMA)، فیلتر کالمن و شبکه‌های بیزی می‌شود. مدل ARIMA برای پیش‌بینی جریان ترافیک تصادفی شناخته شده است. انواع مدل ARIMA بر اساس جریان ترافیک Kohonen ARIMA، زیر مجموعه ARIMA، ARIMA فصلی و سری زمانی ARIMA یکپارچه برای پیش‌بینی ترافیک کوتاه‌مدت هستند [ ۵ ، ۶ ، ۷ ]. مدل ARIMA یک چارچوب شناخته شده و موثر برای پیش بینی ترافیک است. با این حال، مدل‌های پارامتری نمی‌توانند به طور کامل غیرخطی بودن ترافیک را نشان دهند و ویژگی‌های مکانی-زمانی را استخراج کنند.
مدل‌های مبتنی بر داده یا ناپارامتریک از هوش مصنوعی برای مدیریت داده‌های بزرگ در زمانی که جریان ترافیک به‌صورت پویا تغییر می‌کند، استفاده کرده‌اند [ ۱ ، ۲ ]. در ابتدا، روش‌های ناپارامتریک مبتنی بر یادگیری ماشین بودند. برای پیش بینی ترافیک، جنگل تصادفی، ماشین بردار پشتیبان [ ۲۰ ] و k-نزدیکترین همسایه (KNN) [ ۲۱ ] استفاده شد. اخیراً مدل‌های یادگیری عمیق، مانند شبکه‌های عصبی [ ۲ ، ۲۲ ]، شبکه‌های باور عمیق (DBN) [ ۲۳ ، ۲۴ ، ۲۵ ، ۲۶ ]، CNN [ ۲۷ ، ۲۸ ]، شبکه‌های عصبی مصنوعی (ANN) [ ۲۹ ]] و RNN، [ ۳۰ ، ۳۱ ، ۳۲ ] در پیش بینی ترافیک کوتاه مدت موفق بوده اند. برای غلبه بر محدودیت‌های ناشی از شیب ناپدید شدن و مشکلات گرادیان انفجاری که در RNN رخ می‌دهند، یک شبکه LSTM [ ۱۴ ، ۳۳ ، ۳۴ ، ۳۵ ] مستقر شد و مشخص شد که دارای پیش‌بینی عالی است. اگرچه این مدل‌ها ماهیت غیرخطی و تصادفی جریان ترافیک را در نظر گرفته‌اند، اما برای پیش‌بینی بلندمدت مؤثر نیستند. با این حال، ترافیک طولانی مدت با استفاده از LSTM در [ ۱ ] و شبکه عصبی عمیق در [ ۲ ] پیش‌بینی می‌شود.]. به طور خاص، چالش‌ها در تعیین دقت و قابلیت اطمینان سیستم‌های غیرخطی، پیچیده و متغیر با زمان وجود دارند. با این وجود، ادبیات اخیر بر فضای غیر اقلیدسی متمرکز شده است تا به طور موثر ویژگی‌های مکانی-زمانی را به تصویر بکشد. نویسندگان در [ ۱۵ ] یک شبکه عصبی زمانی دوره‌ای مبتنی بر توجه را با استفاده از LSTM برای پیش‌بینی ترافیک در فضای غیراقلیدسی پیشنهاد کرده‌اند. شبکه کانولوشن چند گراف [ ۱۶ ] وابستگی های مکانی و زمانی را با کاربردهای گسترده خود در GCN به دست آورده است. با این حال، عوامل خارجی و آب و هوا در نظر گرفته نمی شود.
مدل‌های ترکیبی یا ترکیبی، مدل‌های جداگانه را با هم ترکیب می‌کنند تا مزایای هر دو مدل را در صورت ترکیب برای بهبود دقت تخمین فراهم کنند. قابل توجه است که مدل های هیبریدی در پیش بینی جریان لحظه ای ترافیک دقیق تر و موثرتر هستند. نویسندگان در [ ۱۱ ] از DBN و یادگیری چند وظیفه ای همراه با ترکیب داده ها برای آب و هوا برای افزایش دقت پیش بینی استفاده کرده اند. ادغام داده‌ها را قادر می‌سازد که اطلاعات از چندین منبع با هم ترکیب شوند تا قابلیت اطمینان بالایی ایجاد کنند. ARIMA و LSTM برای پیش‌بینی ترافیک کوتاه‌مدت ترکیب شدند و به دقت بهتری در [ ۱۲ ] دست یافتند. به همین ترتیب، [ ۹ ] به طور مشترک CNN و LSTM را بر اساس فاصله اقلیدسی مدلسازی کرده است. علاوه بر این، در [ ۸ ، ۹ ،۱۰ ]، ویژگی های مکانی و زمانی بدون در نظر گرفتن عوامل خارجی مورد مطالعه قرار می گیرند. علاوه بر این، یک مدل ترکیبی با CNN و LSTM برای پیش‌بینی دمای هوای ساعتی در [ ۱۷ ] استفاده شده است. به همین ترتیب، GCN دو جزئی توجه چند بردی [ ۱۸ ] و شبکه عصبی کانولوشنی بازگشتی انتشار (DCRNN) [ ۱۹ ] فضای غیراقلیدسی را با انواع CNN و GRU بررسی کرده اند. بنابراین، مدل‌های ترکیبی نسبت به روش‌های مبتنی بر مدل، دقت را بهبود بخشیده‌اند و برای تحلیل ترافیک بلادرنگ مناسب هستند.

بدیهی است که مدل های داده محور توجه زیادی را به خود جلب کرده اند. برعکس، مدل های هیبریدی می توانند ترافیک را به طور واقع بینانه پیش بینی کنند. در حالی که مطالعات بسیار کمی عوامل خارجی را در مدل های هیبریدی بررسی کرده اند.

۳٫ فرمول مسئله

یک ناحیه آردارای N پیوند است که توسط اتصالات برای ایجاد یک شبکه به هم متصل می شوند. هر پیوند یک سری زمانی از حجم ترافیک را در زمان t ایجاد می کند که با نشان داده شده است ایکسمن= (ایکسمن۱،ایکسمن۲، ⋯ ،ایکسمنتی⋯ایکسمنتی) ∈آرتی. ماتریس حجم ترافیک با الحاق بردارهای سری زمانی همه N پیوندهای منطقه به دست می آید.آردر طول زمان T :

ایکس ن تی = (ایکس ۱ ۱ ، ایکس ۲ ۲ ، \dots ، ایکس من تی \dots ایکس ن تی) \in آر ن \times تی

(۱)

به طور کلی، جریان ترافیک تحت تأثیر عوامل خارجی مانند آب و هوا است. وضعیت آب و هوای هر پیوند N در زمان t با نشان داده می شود ایکسمنتی= (ایکس۱تی،ایکس۲تی، ⋯ ،ایکسnتی) ∈آرتی. بنابراین، نشان دهنده شرایط آب و هوایی همه N پیوندها در آر، به عنوان یکی از پارامترهای ورودی، ماتریس آب و هوا تولید می شود:

E ن تی = (ایکس ۱ تی ، ایکس ۲ تی ، \dots ، ایکس ن تی) \in آر ن \times تی

(۲)

هدف این است که حجم ترافیک را برای افق های K آینده پیش بینی کنیمآرهمانطور که در رابطه ( ۳ )، که تلفیقی از مشاهدات تاریخی جریان ترافیک و آب و هوا است. ایکسˆتی=ffتو نیستی _ _ _(ایکسنتی،Eنتی):

ایکس ˆ تی = (ایکس ˆ تی ، ایکس ˆ t + ۱ ، \dots ، ایکس ˆ t + k) تی \in آر ک \times تی

(۳)

جدول ۱ نمادهای استفاده شده در این مقاله را فهرست می کند.

۴٫ شبکه فضایی-زمانی غیر اقلیدسی مبتنی بر توجه (ANST)

همانطور که در شکل ۲ نشان داده شده است، ANST معماری رمزگذار-رمزگشا LSTM را با مکانیزم توجه مستقر می کند . اجزای کلیدی به شرح زیر است:

(من): رمزگذار برای مدل‌سازی وابستگی‌های فضایی: رمزگذار از اجزای LSTM برای استخراج وابستگی‌های مکانی از داده‌های ترافیک ورودی تاریخی استفاده می‌کند. بردارهای وزن توجه فضایی (α۱تی،α۲تی، ⋯ ،αنتی)همانطور که در شکل ۳ نشان داده شده است، با پشتیبانی از یک لایه پرسپترون چند لایه (MLP) محاسبه می شوند . بردار وزن هتیدر زمان t از آخرین حالت پنهان به دست می آیدساعتt – ۱و حالت سلولی جt – ۱. حالت های پنهان فضایی غیر اقلیدسی مبتنی بر توجه ( ساعت۱،ساعت۲، ⋯ ،ساعتتی) از رمزگذار یاد می شود و به عنوان ورودی رمزگشا LSTM برای گرفتن وابستگی های زمانی تغذیه می شود.
(II): رمزگشا برای مدل‌سازی وابستگی‌های زمانی: رمزگشا از واحدهای LSTM برای جاسازی حالت‌های پنهان فضایی استفاده می‌کند. بردار وزن زمانی βتی“در زمان به دست می آید تی“از آخرین حالت پنهان ساعت“t – ۱و حالت سلولی ج“t – ۱. زمینه زمانی yتی“مجموع وزن های اندازه گیری شده توسط لایه MLP و حالت های پنهان غیر اقلیدسی است ( ساعت۱،ساعت۲، ⋯ ،ساعتتی) از رمزگذار، همانطور که در شکل ۴ نشان داده شده است.
(iii): ادغام داده ها برای مدل سازی آب و هوا و عوامل خارجی: ادغام داده ها داده ها را از منابع متعدد برای غنی سازی کیفیت اطلاعات یکپارچه می کند. همجوشی تصمیم گیری، تصمیم گیری با داده های آب و هوا از معادله ( ۲ )، همراه با خروجی رمزگشا LSTM ( ۱۶ )، برای به دست آوردن یک پیش بینی پیشرفته انجام می شود.

۴٫۱٫ مدل سازی ویژگی های فضایی با رمزگذار توجه

پیش‌بینی جریان ترافیک برای یک منطقه به پیوندها بستگی دارد. به طور کلی، هر پیوند جداگانه در نظر گرفته می شود، یا وزن های مساوی به همه پیوندها اختصاص می یابد. با این حال، ترافیک در هر لینک یکسان نیست، در طول زمان تغییر می کند و به عوامل خارجی بستگی دارد. علاوه بر این، پیوندها وابستگی های فضایی را نشان می دهند. به عنوان مثال، جریان ترافیک پایین دست به جریان ترافیک در تقاطع ها و پیوندهای بالادست، همراه با رویدادهای خارجی بستگی دارد. به طور کلی، ساختار فضایی منطقه شناسایی شده به عنوان یک ماتریس فرموله می شود که در آن هر ورودی مربوط به مناطق مستطیلی است. در نتیجه معنایی و فاصله ایستا بین گره ها، ساختار اقلیدسی به دست می آید. با این حال، فاصله ایستا به‌دست‌آمده نادرست است و منجر به نتایج نادرست می‌شود. از این رو، مکانیسم‌های توجه برای گرفتن همبستگی‌های فضایی با یادگیری وزن‌های تعیین‌شده به کار گرفته می‌شوند. ANST از لایه‌های انباشته شده LSTM برای گرفتن وابستگی‌های فضایی جهانی و محلی چند مقیاسی با استفاده از وزن‌های توجه پویا مشتق شده از حالت سلول قبلی استفاده کرده است. جt – ۱∈آرمبرای هر پیوند i با استفاده از معادله ( ۴ ). برای دقیق تر، مدل توجه فضایی توسعه یافته وابستگی های فضایی را با LSTM و MLP محصور می کند:

α من تی = v تی س یک ساعت (__دبلیو س [ج t - ۱; ساعت t - ۱] + U س (ایکس من) تی + ب س)

(۴)

جایی که vس∈آرL، بس∈آرL، دبلیوس∈آرL × ۲ M، Uس∈آرL × Tپارامترهای مدل هستند. Tanh به دلیل عملکرد آن در مدیریت مشکل گرادیان ناپدید شدن غالب به عنوان تابع فعال سازی استفاده می شود. وزن توجه فضایی به دست آمده αمنتیبا استفاده از تابع softmax در معادله ( ۵ ) تطبیق یافته و نرمال می شود به طوری که مجموع وزن های توجه یک است:

α من تی = e x p ( α من تی ) \sum j = ۱ ن e x p ( α من تی )

(۵)

یک تغییر قابل توجه در جریان ترافیک در زمان t در فضای غیر اقلیدسی با الحاق وزن های توجه فضایی برای تولید یک بردار ستون به دست می آید:

ه تی = (α - تی ۱ ، α - تی ۲, \dots, α - تی ن)

(۶)

مدل پایه LSTM برای سازگاری با وزن مکانیسم توجه بهبود یافته است هتی. معادلات اصلاح شده LSTM با پارامترها wf،wمن،wo،wج∈آرم× ( م+ ۲ N)، و بf،بمن،بo،بج∈آرمبرای فراموشی گیت، گیت ورودی، گیت خروجی و سلول حافظه با σبه عنوان تابع فعال سازی در معادلات ( ۷ )-( ۱۲ ) آورده شده است:

f تی = σ (دبلیو f [ساعت t - ۱; ایکس تی; ه تی] + ب f)

(۷)

من تی = σ (دبلیو من [ساعت t - ۱; ایکس تی; ه تی] + ب من)

(۸)

o تی = σ (دبلیو o [ساعت t - ۱; ایکس تی; ه تی] + ب o)

(۹)

ج ˆ تی = تنه (دبلیو ج [ساعت t - ۱; ایکس تی; ه تی] + ب ج

(۱۰)

ج تی = f تی \otimes ج t - ۱ + من تی \otimes ج ˆ تی

(۱۱)

ساعت تی = o تی \otimes تن (ج تی) .

(۱۲)

قابل توجه است که LSTM بهبودیافته از گیت‌های اصلی برای گرفتن وابستگی‌های بلندمدت استفاده می‌کند و دنباله‌ای از وابستگی‌های فضایی کدگذاری‌شده را به‌عنوان حالت‌های پنهان خروجی می‌دهد. ساعت۱،ساعت۲، ⋯ ،ساعتتی) به رمزگشا LSTM برای پیش بینی افق آینده.

۴٫۲٫ مدل‌سازی ویژگی‌های زمانی با رمزگشای توجه

به طور کلی، رمزگشای LSTM افق آینده را با استفاده از حالت های پنهان پیش بینی می کند. یک رمزگشای دقیق برای یادگیری وزن ها از حالت های پنهان کدگذاری شده فرموله شده است. ساعت۱،ساعت۲، ⋯ ،ساعتتی) برای تولید مجموع وزنی وابستگی های زمانی. به طور دقیق تر، ترافیک به موقع است تی“بر اساس وضعیت سلول قبلی است ج“تی“– ۱∈آرپو حالت پنهان ساعت“تی“– ۱∈آرپهمانطور که در رابطه ( ۱۳ ) با استفاده از MLP به دست می آید . وزن ها به صورت تطبیقی به دست می آیند و بدیهی است که جریان ترافیک به حالت زمانی قبلی بستگی دارد و روندهای ساعتی، روزانه و هفتگی را ایجاد می کند. وجود چندین بلوک LSTM به یادگیری شباهت بین الگوهای تناوبی زمانی برای گرفتن وابستگی های بلندمدت کمک می کند. پارامترهای مدل هستند vد∈آرس، بد∈آرس، دبلیود∈آرQ × ۲ Pو .

(۱۳)

وزن زمانی بدست آمده در معادله ( ۱۴ ) با استفاده از تابع softmax نرمال می شود به طوری که مجموع تمام وزن های توجه یک است:

(۱۴)

بردار زمانی از مجموع وزنی حالات پنهان مانند معادله ( ۱۵ ) اندازه گیری می شود:

(۱۵)

مراحل در رمزگشا LSTM شبیه معادلات ( ۷ )-( ۱۲ ) است. آخرین حالت پنهان رسیور با الحاق خروجی نهایی رسیور اندازه گیری می شود. با حالت پنهان با معادله ( ۱۶ ):

(۱۶)

۴٫۳٫ ادغام داده های سطح تصمیم عوامل خارجی

جریان ترافیک تحت تأثیر عوامل خارجی مانند آب و هوا، ویژگی های جاده، تعطیلات و نقاط دیدنی قرار می گیرد. به طور کلی، یک کدگذاری داغ داده های طبقه بندی شده یا پارامترهای غیر عددی را به عنوان بردارهای باینری نشان می دهد. با در نظر گرفتن آب و هوا که یک پارامتر غیر عددی است، هر نوع آب و هوا مانند دما، بارندگی، رطوبت، سرعت باد و غیره با استفاده از یک رمزگذاری داغ به یک بردار باینری تبدیل می شود که اندازه آن برابر با تعداد انواع مختلف آب و هوا است. تکنیک، همانطور که در شکل ۵ نشان داده شده است.

در ترافیک گسترده منطقه، این امکان وجود دارد که دو جاده مختلف الگوهای ترافیکی مشابهی را نشان دهند. با این حال، بر اساس معنایی جاده، مانند محدودیت سرعت، تعداد خطوط، نوع جاده، و طول، جریان ترافیک به صورت پویا متفاوت است. مشابه آب و هوا، یک رمزگذاری داغ برای تبدیل ویژگی های جاده به یک بردار باینری استفاده می شود. به همین ترتیب، تعداد نقاط مورد علاقه مانند غذا، عبادتگاه، سرگرمی، و امکانات رفاهی در ۲۰۰ متری بخش جاده از Google Places API بدست می‌آید. با این حال، نمایش پراکنده یک کدگذاری داغ منجر به عدم همبستگی بین عوامل خارجی می شود. برای نشان دادن زمینه عوامل خارجی به عنوان یک بردار پیوسته، یک بردار تعبیه شده ساخته شده است، جایی که بردار تعبیه آموزش دیده عوامل خارجی و یک عبارت داغ است. برای انتخاب عوامل خارجی که برای جریان ترافیک مهم هستند، از رابطه ( ۱۷ ) برای محاسبه ضریب همبستگی پیرسون (PCC) استفاده می شود. :

(۱۷)

عواملی که دارای PCC مثبت هستند به عنوان ماتریس عامل خارجی E فرموله می شوند که به عنوان بردار تغییر شکل می یابد. . وقتی تعداد لینک ها زیاد باشد، هزینه محاسباتی بالاست. معادله ( ۱۸ ) بردار طول ثابت را ایجاد می کند با و به عنوان پارامترهای قابل یادگیری:

(۱۸)

پیش‌بینی نهایی جریان ترافیک از رابطه (۱۹) به دست می‌آید ، که یک لایه کاملاً متصل (FCL) را برای ترکیب عوامل خارجی از معادله ( ۱۸ )، همراه با خروجی رمزگشا از معادله ( ۱۶ )، که در آن فعال‌سازی می‌شود، مستقر می‌کند. تابع ReLu و است و پارامترهای مدل هستند:

(۱۹)

۴٫۴٫ آموزش

شبه کد الگوریتم ANST پیشنهادی در الگوریتم ۱ نشان داده شده است.

الگوریتم ۱: الگوریتم ANST

مدل آموزش داده شده است و از یک بهینه ساز Adam برای به حداقل رساندن میانگین مربعات خطا (MSE) در تابع ضرر استفاده می شود. به طور خاص، بهینه سازی Adam یک روش نزولی گرادیان تصادفی است که از نظر محاسباتی کارآمد است و حداقل نیاز به حافظه دارد. برای مدل هایی که دارای تعداد زیادی پارامتر هستند مناسب است. الگوریتم Adam برای تنظیم دقیق نرخ یادگیری برای هر پارامتر و بهینه سازی تنظیم پارامتر استفاده می شود. تابع ضرر در معادله ( ۲۰ ) پارامترهای مدلی که باید در طول آموزش یاد بگیرند را نشان می دهد که شامل ، ، ، و از رمزگذار فضایی ( ۴ ); ، ، ، و از رمزگشای زمانی ( ۱۳ ); و و از FCL ( ۱۹ )، که در آن دنباله پیش بینی شده است و حقیقت زمینی است:

(۲۰)

۵٫ نتایج و بحث

۵٫۱٫ تنظیمات آزمایشی

این مدل به صورت تجربی بر اساس مجموعه داده های دنیای واقعی در مقیاس بزرگ ارزیابی می شود. داده های ترافیکی از آشکارسازهای وسایل نقلیه نصب شده در شبکه جاده شهرهای دوقلو از https://www.dot.state.mn.us/rtmc به دست آمده است (در ۴ دسامبر ۲۰۲۲ قابل دسترسی است). داده ها هر ۳۰ ثانیه از آشکارسازهای حلقه جمع آوری می شوند و در فواصل ۱۵ دقیقه ای جمع می شوند تا داده های خام را تشکیل دهند. اطلاعات آب و هوا از https://mesowest.utah.edu/(دسترسی در ۴ دسامبر ۲۰۲۲) با نزدیکترین مکان به آشکارسازهای خودرو در تاریخ/زمان خاص مطابقت دارد. داده های ۱۵ ژانویه ۲۰۲۱ تا ۱۴ اوت ۲۰۲۱ به عنوان داده های آموزشی در نظر گرفته شده است. داده های ۱۵ سپتامبر ۲۰۲۱ تا ۱۴ دسامبر ۲۰۲۱ داده های آزمایشی هستند. و از داده های ۱۵ دسامبر ۲۰۲۱ تا ۱۴ ژانویه ۲۰۲۲ برای اعتبارسنجی مدل استفاده می شود. داده های خام مربوط به عرض جغرافیایی ۴۴٫۸۶۰۰۶ و طول جغرافیایی -۹۳٫۰۳۲۰۳ است. اهمیت آب و هوا بر جریان ترافیک با استفاده از یک نقشه حرارتی در شکل ۶ نشان داده شده است .

۵٫۲٫ معیارهای ارزیابی

عملکرد مدل بر اساس معیارهای استاندارد زیر ارزیابی می‌شود: میانگین خطای مطلق (MAE)، ریشه میانگین مربع خطا (RMSE) و میانگین درصد مطلق خطا (MAPE)، که تفاوت بین حقیقت زمین را اندازه‌گیری می‌کند. و پیش بینی برای مجموعه تست N :

(۲۱)

(۲۲)

(۲۳)

۵٫۳٫ تنظیمات فراپارامتر

چارچوب Tensorflow برای پیاده سازی ANST استفاده می شود. طول مرحله زمانی تاریخی T ۱۲ است و

. حالت‌های پنهان وابستگی‌های مکانی-زمانی را که با تعداد پیوندها در منطقه مطابقت دارد، جذب می‌کنند. از این رو،

. برای ادغام داده های سطح تصمیم آب و هوا، تعطیلات و نقاط مورد علاقه، D روی ۱۶ تنظیم شده است که بهترین بعد از بردار ویژگی خارجی است.

. تعداد لایه ها در رمزگشا-رمزگشا LSTM 2 است، که در آن

، و

. این مدل با نرخ یادگیری آموزش داده شده است

و نرخ افت از

برای اندازه دسته ای ۱۲۸ با ۱۰۰ دوره با استفاده از بهینه ساز Adam.

۵٫۴٫ ارزیابی مدل

ANST یک چارچوب رمزگذار-رمزگشا با وابستگی های فضایی-زمانی چند مقیاسی در فضای غیر اقلیدسی با عوامل خارجی مستقر می کند. رمزگذار و رمزگشا به ترتیب وزن های مکانی و زمانی را بررسی می کنند و وزن ها را در همه پیوندها در نظر می گیرند. مشاهده می شود که عملکرد ANST با افزایش افق کاهش نمی یابد و در نتیجه ANST را برای پیش بینی طولانی مدت مناسب می کند. پیش بینی ANST در شکل ۷ نشان داده شده است و واضح است که خطا به حداقل رسیده است. شایان ذکر است که خطاهای تخمینی به دلیل آموزش تکراری امکان پذیر است و در نتیجه باعث برازش بیش از حد در مدل می شود. اندازه LSTM به ۲ با نرخ افت محدود شده است

و یک توقف اولیه برای کاهش خطاها اعمال می شود.

تأثیر عوامل خارجی مانند آب و هوا و تعطیلات بر پیش بینی ترافیک به ترتیب در شکل ۸ و شکل ۹ نشان داده شده است. مشاهده می شود که جریان ترافیک در روزهای بارانی و تعطیلات کاهش می یابد. علاوه بر این، گنجاندن نقاط مورد علاقه امکان شناسایی وقوع رویدادها و هشدارها را برای مسیرهای جایگزین برای کاهش ازدحام فراهم می کند. در نتیجه، اهمیت همجوشی عوامل خارجی عملکرد پیش بینی را بهبود بخشیده است.

۵٫۵٫ مدل های مقایسه

ANST با مدل های پایه زیر برای افق های مختلف مقایسه می شود:

شبکه عصبی برگشتی کانولوشن انتشار (DCRNN): RNN را با شبکه های کانولوشن از طریق انتشار ترکیب می کند تا نمودار شبکه را بر اساس فاصله بین گره ها ایجاد کند. وابستگی مکانی از طریق پیاده‌روی‌های تصادفی دو طرفه در نمودار به‌دست می‌آید، و وابستگی زمانی از طریق چارچوب رمزگذار-رمزگشا با نمونه‌برداری به دست می‌آید.
شبکه‌های کانولوشن چند نموداری فضایی-زمانی با داده‌های مصنوعی (MGCN-SD): یک شبکه متخاصم مولد را برای تولید حجم ترافیک مصنوعی به همراه یک شبکه کانولوشن چند گراف برای استخراج ویژگی‌های فضایی غیر اقلیدسی مستقر می‌کند.
شبکه کانولوشن گراف دو جزئی توجه چند بردی (MRA-BGCN): یک گراف گره بر اساس شبکه جاده و یک نمودار لبه عاقلانه برای الگوهای تعامل بین یال ها به کار می گیرد. مکانیسم توجه چند دامنه، اطلاعات گره‌های همسایه را جمع‌آوری می‌کند تا تعامل را به هم مرتبط کند.
شبکه عصبی دوره‌ای-زمانی مبتنی بر توجه (APTN): وابستگی‌های مکانی و زمانی را با استفاده از رمزگذار-رمزگشا با مکانیسم‌های توجه مدل‌سازی می‌کند.

مدل های در نظر گرفته شده با استفاده از چارچوب Tensorflow پیاده سازی شده اند. ابعاد واحدهای RNN در تنظیم شده است

و نرخ یادگیری تنظیم شده است

برای ۱۰۰ دوره مدل برای افق های ۳۰ دقیقه، ۶۰ دقیقه، ۹۰ دقیقه و ۱۲۰ دقیقه ارزیابی می شود. عملکرد کلی در جدول ۲ و شکل ۱۰ نشان داده شده است. خاطرنشان می شود که سریال پیش بینی شده تقریباً با سریال واقعی در تمام افق ها مطابقت دارد.

برای دقیق تر، تمام مدل های پایه در نظر گرفته شده برای مقایسه، از یک ساختار غیر اقلیدسی برای بررسی وابستگی های مکانی و زمانی استفاده می کنند. پیچیدگی DCRNN عملکرد آن را برای مجموعه داده در نظر گرفته محدود کرده است. با این وجود، MGCN-SD به طور کامل بر اساس CNN است. یک شبکه پیچیدگی چند گرافی برای وابستگی فضایی استفاده می‌شود و CNN برای مدل‌سازی ویژگی‌های زمانی استفاده می‌شود. با این حال، وابستگی‌های زمانی به طور موثر در MRA-BGCN، APTN و ANST با کمک RNN و انواع آن مدل‌سازی می‌شوند، در نتیجه منجر به بهبود عملکرد می‌شود که به وضوح مشاهده می‌شود. علاوه بر این، مکانیسم‌های توجه در APTN و ANST به کار گرفته شده‌اند تا وابستگی‌های مکانی-زمانی در منطقه را به صورت پویا ثبت کنند.

از سوی دیگر، پیش بینی ترافیک در ساعات اوج ترافیک چالش برانگیز است. شکل ۱۱ مقایسه MAE را برای DCRNN، MGCN-SD، MRA-BGCN، APTN و ANST در افق های مختلف ساعات اوج نشان می دهد. به دلیل شباهت در نتایج، RMSE و MAPE حذف می شوند. علاوه بر این، از آنجایی که ویژگی‌های فضایی-زمانی چند مقیاسی با عوامل خارجی ترکیب می‌شوند، ANST حتی در طول نوسانات ترافیکی نتایج صافی ایجاد می‌کند. می توان تاکید کرد که با افزایش افق، عملکرد ANST بدتر نمی شود.

۶٫ نتیجه گیری

در این مقاله، پیش‌بینی چند متغیره وابستگی‌های مکانی-زمانی در فضای غیراقلیدسی با عوامل خارجی انجام شده است. رمزگذار LSTM به صورت تطبیقی وزن های فضایی را انتخاب می کند و رمزگشا LSTM به صورت پویا وزن های زمانی را برای تشکیل حالت های پنهان مدل انتخاب می کند. برای بهبود عملکرد، تمام وابستگی ها در فضای غیر اقلیدسی با در نظر گرفتن شباهت های موجود در شبکه جاده فرموله می شوند. عوامل خارجی با خروجی رمزگشا ترکیب می شوند تا پیش بینی های نهایی به دست آید. ANST برای افق های آینده ارزیابی می شود و دقت پیش بینی خوبی دارد. این مدل را می توان برای لجستیک پیاده سازی کرد تا هزینه و زمان سفر به حداقل برسد.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

ITS	سیستم حمل و نقل هوشمند
ANST	شبکه فضایی-زمانی غیر اقلیدسی مبتنی بر توجه
CNN	شبکه عصبی کانولوشن
GCN	شبکه عصبی پیچیدگی نمودار
RNN	شبکه عصبی مکرر
LSTM	حافظه کوتاه مدت بلند مدت
GRU	واحد بازگشتی دردار
آریما	میانگین متحرک یکپارچه رگرسیون خودکار
KNN	k-نزدیک ترین همسایه
DBN	شبکه باور عمیق
ANN	شبکه های عصبی مصنوعی
DCRNN	انتشار شبکه عصبی کانولوشن بازگشتی
MGCN-SD	شبکه های کانولوشن چند گراف فضایی-زمانی با داده های مصنوعی
MRA-BGCN	شبکه کانولوشن گراف دو جزئی توجه چند بردی
APTN	شبکه عصبی تناوبی-زمانی مبتنی بر توجه
MLP	پرسپترون چند لایه
PCC	ضریب همبستگی پیرسون
FCL	لایه کاملا متصل
MSE	میانگین مربعات خطا
MAE	به معنای خطای مطلق
RMSE	ریشه میانگین مربعات خطا
MAPE	میانگین درصد خطای مطلق

منابع

وانگ، ز. سو، ایکس. Ding، Z. پیش‌بینی ترافیک طولانی‌مدت بر اساس معماری رمزگذار-رمزگشا LSTM. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۲۱ ، ۲۲ ، ۶۵۶۱-۶۵۷۱٫ [ Google Scholar ] [ CrossRef ]
کو، ال. لی، دبلیو. لی، دبلیو. ما، دی. وانگ، ی. پیش‌بینی جریان ترافیک درازمدت روزانه بر اساس یک شبکه عصبی عمیق. سیستم خبره Appl. ۲۰۱۹ ، ۱۲۱ ، ۳۰۴–۳۱۲٫ [ Google Scholar ] [ CrossRef ]
ژنگ، جی. هوانگ، ام. پیش‌بینی جریان ترافیک از طریق تحلیل سری‌های زمانی بر اساس یادگیری عمیق. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۸۲۵۶۲–۸۲۵۷۰٫ [ Google Scholar ] [ CrossRef ]
قوش، بی. باسو، بی. O’Mahony، M. چند متغیره پیش بینی جریان ترافیک کوتاه مدت با استفاده از تحلیل سری زمانی. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۰۹ ، ۱۰ ، ۲۴۶-۲۵۴٫ [ Google Scholar ] [ CrossRef ]
ویلیامز، بی.ام. Hoel، LA مدلسازی و پیش بینی جریان ترافیک وسایل نقلیه به عنوان یک فرآیند ARIMA فصلی: مبنای نظری و نتایج تجربی. J. Transp. مهندس ۲۰۰۳ ، ۱۲۹ ، ۶۶۴-۶۷۲٫ [ Google Scholar ] [ CrossRef ]
کوسدویدی، ا. سوآ، ر. Karray، F. بهبود پیش بینی جریان ترافیک با اطلاعات آب و هوا در اتومبیل های متصل: یک رویکرد یادگیری عمیق. IEEE Trans. وه تکنولوژی ۲۰۱۶ ، ۶۵ ، ۹۵۰۸-۹۵۱۷٫ [ Google Scholar ] [ CrossRef ]
Voort، MVD؛ دوگرتی، م. Watson, S. ترکیب نقشه های کوهونن با مدل های سری زمانی ARIMA برای پیش بینی جریان ترافیک. ترانسپ Res. قسمت C Emerg. تکنولوژی ۱۹۹۶ ، ۴ ، ۳۰۷-۳۱۸٫ [ Google Scholar ] [ CrossRef ]
وانگ، ی. جینگ، سی. شبکه کانولوشنال نمودار فضایی-زمانی برای پیش بینی ترافیک چند مقیاسی. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۱۰۲٫ [ Google Scholar ] [ CrossRef ]
گوا، اس. لین، ی. لی، اس. چن، ز. Wan, H. شبکه‌های عصبی کانولوشنال سه بعدی زمانی عمیق برای پیش‌بینی داده‌های ترافیک. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۹ ، ۲۰ ، ۳۹۱۳–۳۹۲۶٫ [ Google Scholar ] [ CrossRef ]
زنگ، دی. لینگ، جی. وی، ز. تانگ، ک. چنگ، جی. پیش‌بینی طولانی‌مدت سرعت ترافیک بر اساس شبکه یادگیری ویژگی‌های مکانی-زمانی چندمقیاس. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۹ ، ۲۰ ، ۳۷۰۰–۳۷۰۹٫ [ Google Scholar ] [ CrossRef ]
تسلنتیس، دی. ولاهوگیانی، EI; Karlaftis، MG بهبود پیش بینی های کوتاه مدت ترافیک: ترکیب مدل ها یا عدم ترکیب. IET Intel. ترانسپ سیستم ۲۰۱۵ ، ۹ ، ۱۹۳-۲۰۱٫ [ Google Scholar ] [ CrossRef ]
لو، اس. ژانگ، Q. چن، جی. Seng, D. یک روش ترکیبی برای پیش‌بینی جریان ترافیک کوتاه‌مدت بر اساس شبکه عصبی مکرر. الکس. مهندس J. ۲۰۲۱ ، ۶۰ ، ۸۷-۹۴٫ [ Google Scholar ] [ CrossRef ]
چن، ک. دنگ، م. Shi, Y. یک شبکه پیچیدگی نمودار جهت‌دار زمانی برای پیش‌بینی ترافیک با استفاده از داده‌های مسیر تاکسی. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۶۲۴٫ [ Google Scholar ] [ CrossRef ]
هوکرایتر، اس. Schmidhuber, J. حافظه کوتاه مدت طولانی. محاسبات عصبی ۱۹۹۷ ، ۹ ، ۱۷۳۵-۱۷۸۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
شی، ایکس. چی، اچ. شن، ی. وو، جی. یین، ب. رویکرد توجه مکانی – زمانی برای پیش‌بینی ترافیک. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۲۱ ، ۲۲ ، ۴۹۰۹-۴۹۱۸٫ [ Google Scholar ] [ CrossRef ]
زو، ک. ژانگ، اس. لی، جی. ژو، دی. دای، اچ. شبکه های کانولوشن چند گراف فضایی-زمانی با داده های مصنوعی برای پیش بینی حجم ترافیک. سیستم خبره Appl. ۲۰۲۲ ، ۱۸۷ ، ۱۱۵۹۹۲٫ [ Google Scholar ] [ CrossRef ]
هو، جی. وانگ، ی. ژو، جی. تیان، Q. پیش بینی دمای هوای ساعتی بر اساس CNN-LSTM. Geomat. نات خطر خطرات ۲۰۲۲ ، ۲۰۲۲ ، ۱۹۶۲-۱۹۸۶٫ [ Google Scholar ] [ CrossRef ]
چن، دبلیو. چن، ال. زی، ی. کائو، دبلیو. گائو، ی. Feng, X. شبکه کانولوشن گراف دو جزئی توجه چند بردی برای پیش بینی ترافیک. در مجموعه مقالات سی و چهارمین کنفرانس AAAI در مورد هوش مصنوعی (AAAI-20)، نیویورک، نیویورک، ایالات متحده آمریکا، ۷ تا ۱۲ فوریه ۲۰۲۰؛ صص ۳۵۲۹–۳۵۳۶٫ [ Google Scholar ]
لی، ی. یو، آر. شهابی، ج. لیو، ی. شبکه عصبی تکراری کانولوشنال انتشار: پیش‌بینی ترافیک مبتنی بر داده. Proc. بین المللی Conf. ماخ فرا گرفتن. ۲۰۱۸ ، arXiv:1707.01926، ۱۴۷–۱۵۵٫ [ Google Scholar ]
مینگنگ، ز. یائوبائو، ز. گانگونگ، اچ. Gang, C. پیش بینی دقیق جریان ترافیک چند مرحله ای بر اساس SVM. ریاضی. مشکل مهندس ۲۰۱۳ ، ۲۰۱۳ ، ۱-۸٫ [ Google Scholar ] [ CrossRef ]
سان، بی. چنگ، دبلیو. گوسوامی، پ. بای، جی. پیش‌بینی ترافیک کوتاه‌مدت با استفاده از k-نزدیک‌ترین همسایه‌های خودتنظیم. IET Intel. ترانسپ سیستم ۲۰۱۸ ، ۱۲ ، ۴۱-۴۸٫ [ Google Scholar ] [ CrossRef ]
Xie، DF; نیش، ZZ; جیا، بی. او، Z. یک مدل تغییر مسیر مبتنی بر داده مبتنی بر یادگیری عمیق. ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۱۹ ، ۱۰۶ ، ۴۱-۶۰٫ [ Google Scholar ] [ CrossRef ]
لی، ال. کین، ال. Qu، X. ژانگ، جی. وانگ، ی. Ran, B. پیش‌بینی جریان ترافیک روز آینده بر اساس یک شبکه باور عمیق بهینه‌سازی شده توسط الگوریتم ازدحام ذرات چند هدفه. بدانید. سیستم مبتنی بر ۲۰۱۹ ، ۱۷۲ ، ۱-۱۴٫ [ Google Scholar ] [ CrossRef ]
کنگ، اف. لی، جی. جیانگ، بی. Song, H. پیش‌بینی جریان ترافیک کوتاه‌مدت در سیستم چند رسانه‌ای هوشمند برای اینترنت وسایل نقلیه بر اساس شبکه باور عمیق. ژنرال آینده. محاسبه کنید. سیستم ۲۰۱۹ ، ۹۳ ، ۴۶۰-۴۷۲٫ [ Google Scholar ] [ CrossRef ]
ژائو، ال. ژو، ی. لو، اچ. فوجیتا، اچ. روش محاسبات موازی شبکه های باور عمیق و کاربرد آن در پیش بینی جریان ترافیک. سیستم مبتنی بر دانش ۲۰۱۹ ، ۱۶۳ ، ۹۷۲-۹۸۷٫ [ Google Scholar ] [ CrossRef ]
ژانگ، ی. هوانگ، جی. مدل پیش‌بینی جریان ترافیک بر اساس شبکه باور عمیق و الگوریتم ژنتیک. IET Intel. ترانسپ سیستم ۲۰۱۸ ، ۱۲ ، ۵۳۳-۵۴۱٫ [ Google Scholar ] [ CrossRef ]
سان، اس. وو، اچ. Xiang، L. پیش بینی جریان ترافیک در سطح شهر با استفاده از یک شبکه عصبی پیچیده عمیق. Sensors ۲۰۲۰ , ۲۰ , ۴۲۱٫ [ Google Scholar ] [ CrossRef ]
ما، ایکس. دای، ز. او، ز. ما، جی. وانگ، ی. Wang, Y. ترافیک یادگیری به عنوان تصاویر: یک شبکه عصبی پیچیده عمیق برای پیش بینی سرعت شبکه حمل و نقل در مقیاس بزرگ. Sensors ۲۰۱۷ , ۱۷ , ۸۱۸٫ [ Google Scholar ] [ CrossRef ]
شارما، بی. کومار، اس. Tiwari، P. ANN بر اساس پیش‌بینی کوتاه‌مدت جریان ترافیک در بزرگراه دو خطه. J. Big Data ۲۰۱۸ , ۵ , ۴۸٫ [ Google Scholar ] [ CrossRef ]
هو، آر. Chiu، YC; Hsieh, CW Crowding پیش‌بینی بر روی سیستم‌های حمل و نقل سریع جرم با استفاده از یک شبکه عصبی بازگشتی دو طرفه وزنی. IET Intel. ترانسپ سیستم ۲۰۲۰ ، ۱۴ ، ۱۹۶-۲۰۳٫ [ Google Scholar ] [ CrossRef ]
Xiangxue، W. لونهوی، ایکس. Kaixun، C. پیش‌بینی کوتاه‌مدت مبتنی بر داده برای ترافیک شبکه جاده‌ای شهری بر اساس پردازش داده‌ها و LSTM-RNN. عرب J. Sci. مهندس ۲۰۱۹ ، ۴۴ ، ۳۰۴۳-۳۰۶۰٫ [ Google Scholar ] [ CrossRef ]
دوویس، دی. وانگ، جی. کیم، جی. پیش بینی حرکات عابر پیاده با استفاده از شبکه های عصبی مکرر: کاربرد داده های نظارت بر جمعیت. Sensors ۲۰۱۹ , ۱۹ , ۳۸۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
دو، بی. پنگ، اچ. وانگ، اس. Bhuiyan، MZA; وانگ، ال. گونگ، کیو. لیو، ال. لی، جی. LSTM باقیمانده پیچیده نامنظم عمیق برای پیش‌بینی جریان‌های مسافربری ترافیک شهری. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۲۰ ، ۲۱ ، ۹۷۲-۹۸۵٫ [ Google Scholar ] [ CrossRef ]
مو، ال. ژائو، پی. زی، اچ. Chen, Y. T-LSTM: یک شبکه عصبی حافظه کوتاه مدت که توسط اطلاعات زمانی برای پیش‌بینی جریان ترافیک تقویت شده است. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۹۸۰۵۳–۹۸۰۶۰٫ [ Google Scholar ] [ CrossRef ]
تیان، ی. ژانگ، ک. لی، جی. لین، ایکس. یانگ، بی. پیش‌بینی جریان ترافیک مبتنی بر LSTM با داده‌های از دست رفته. محاسبات عصبی ۲۰۱۸ ، ۳۱۸ ، ۲۹۷-۳۰۵ . [ Google Scholar ] [ CrossRef ]