重要概念：
朴素方法：如历史平均算法（ＨＡ），计算复杂度低，易于部署，然而正是因为缺乏复杂计算，朴素方法通常存在预测结果精度不高的问题。
参数方法：是指方法模型结构已被预先定义，而模型参数数值需要在实验中计算得到。这类方法主要基于时间序列分析，包括自回归滑动平均（ＡＲＭＡ）模型，差分自回归滑动平均（ＡＲＩＭＡ）模型和时空差分自回归滑动平均（ＳＴＡＲＩＭＡ）模型。这类方法的特点是根据历史通行时间序列，通过滑动平均、自回归等运算来预测下一时间片段中的路段通行时间，并没有考虑到交通数据的空间特征和其他路段对目标路段旅行时间的影响。
非参数方法：是指模型结构及其参数均需要在训练中确定，又分为基于模型的方法和基于记忆的方法两类。在基于模型的方法中，历史数据被用来构建模型结构，一旦模型结构得以确定将不再需要历史数据。这类方法主要有人工神经网络（ＡＮＮ），随机森林（ＲＦ）和支持向量机（ＳＶＭ）。而基于记忆的方法则需要维护一个额外的数据库来存储历史数据，因为历史数据不仅被用在构建模型结构的阶段，也需要被用于预测阶段。典型方法有ｋ近邻（ｋＮＮ）算法。非参数方法更加充分地挖掘了数据特征，预测精度较高，但是同样存在特征单一，未考虑城市交通时空特征和时移特征的缺点。
KL-散度：也被叫做相对熵，通常被用于衡量两个分布之间的相异度。更准确的理解还是衡量一个分布相比另一个分布的信息损失。
时间偏移：指的是某一条或多条上游路段的旅行时间状态会在某一特定的时间段t之后传递到下游路段，对下游路段的旅行时间状态产生相应的影响。
卡口：在智能交通系统中，有用于采集车辆通过记录的图像采集设备，对于每一个路口的每一个方向，都会有一组或多组设备对所有的车辆通行记录进行采集，我们将这样一组设备称为卡口。
图中浅灰色的矩形表示部署在每个卡口上的一组或几组摄像头，用以采集通行车辆的图像。相邻两个卡口之间的道路我们称之为路段，图中有四条路段，假定路段R2为我们需要预测其旅行时间的目标路段，则路段R1,R3,R4为目标路段R２的直接上游路段。此外，p1、ｐ２、ｐ３为三条车辆通行轨迹，表示车辆连续通过的路段集合或连续通过的卡口集合，记为p1＝R1—>R2或P1＝c1->c2->c3->c4。两个卡口之间的符号Ti表示该路段某一时间槽内的历史通行时间，其计算过程将在后文中描述。特别地，图中只考虑了车辆向右的行驶方向，对于不同行驶方向的处理在旅行时间预测中类似。
根据城市路网结构，我们可以获得预测目标路段的上游及下游路段，也可以统计出其多条上游路段汇入车流量的比重，从而对其多条上游路段设置相应的权重，以便计算相关路段。
在实际实验中，我们将城市路网结构看成一个以预测目标路段R0为根节点的多叉树。如图所示，目标路段R0有三个子节点R1,Rt,Rr，分别表示与R0直接相邻的上游左转道路、直行道路和右转道路，我们称与目标路段直接相邻的所有上游路段为目标路段的1阶路段集合（level１），而路段R1,Rt,Rr的直接下游路段为目标路段的２阶路段集合（level2），以此类推。特别地，为了统一我们定义目标R0属于０阶路段。且目标路段的所有下游路段为－Ｉ阶路段，因为在城市旅行时间预测问题中，我们仅需要考虑目标路段的上游路段的车流量汇入对其造成的影响，而不必考虑其下游路段的通行状况，因此在实验中，我们将抛弃所有处于－１阶的路段，这样可以极大的提高实验效率与精度。
个人所悟：
文章的主要贡献有：在短时旅行时间预测问题的研究中，首次提出了结合CNN和LSTM的深度预测架构；通过KL-散度和城市路网结构筛选目标路段的相关路段，在减少冗余数据的同时提高了预测精度；我们首次提出了相关路段间的旅行时间影响随时间空间移动的概念（简称为时移信息或时移特征），并将两者结合用于预测。
优缺点：
模型考虑到了时空时移特征，但是忽略了交通数据上的另一个主要特征：周期性特征。例如，每个星期中的工作日与休息日的交通状况就不同，但是上一个星期的休息日与下一星期的休息日的交通状况却十分近似，且会按照此频率不断反复，这就是短期周期性特征；而长期周期性特征则是根据重要节日（如春节，国庆节等）或者季节变化的。
相关文章：