1、文章信息
《Forecasting Transportation Network Speed Using Deep Capsule Networks With Nested LSTM Models》。
北京航空航天大学的马晓磊老师2020年发在IEEE Transactions on Intelligent Transportation Systems上的一篇文章。
2、摘要
对复杂交通网络进行准确可靠的交通预测是现代交通管理的重要内容。路段间复杂的空间依赖性和交通状态的动态时间模式使其极具挑战性。为了解决这些问题，我们提出了一种新的胶囊网络(CapsNet)来提取交通网络的空间特征，并利用嵌套的LSTM (NLSTM，nested LSTM)结构来捕获交通序列数据中的多等级时间依赖性。将CapsNet和NLSTM按顺序连接，提出了网络级流量预测的框架。On the basis of literature review，本研究首次将CapsNet和NLSTM应用于交通预测领域。在一个有278个路段的北京局部交通网络上进行的实验表明，该框架具有捕获复杂时空交通模式的能力，优于现有的多种交通预测baselines。通过对实验结果的可视化和定量评价，验证了CapsNet和NLSTM的优越性和可行性。
3、创新点
1.我们将交通网络作为一个图像来学习，并结合CapsNet和NLSTM提出了一种新的网络级交通预测框架。在文献综述的基础上，本研究首次将CapsNet和NLSTM应用于交通预测;
2.我们提出了一种新的CapsNet从交通状态图像中提取高层特征和获取道路链接之间的空间依赖关系。学习特征的特点是使用向量形式的“胶囊”，而不是传统的标量形式的神经元;
3. 利用NLSTM结构动态捕获CapsNet所学习的空间特征的层次时间依赖关系;
4. 通过与基础模型的比较，定量评价CapsNet和NLSTM在全网络交通预测中的优越性和可行性。
4、特别之处
首次使用胶囊网络。
Attention
如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！