《表2 交通流预测模型对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《网联共享车路协同智能交通系统综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

传统的交通预测模型简单实用，但不适合处理海量交通数据，也无法捕获交通数据中的复杂时空特性，大量高维数据输入还很容易给传统方法带来维数灾难问题.近年来，深度学习在交通大数据挖掘方面得到应用，尤其深度网络结构能获取数据的高层特征，给交通流预测提供了新的有效手段.例如，文献[20]利用深度自编码器预测交通流，证明深度模型预测交通流比较有效，但由于无监督学习模型的局限性，预测精度不够高.文献[21]提出基于递归神经网络（RNN）预测交通流，但存在梯度消失和梯度爆炸问题，无法精确用于长期时间序列的建模.交通流预测的关键问题是同时捕获交通数据的时间、空间特性以及时空相关性，研究人员在这方面做了大量工作，文献[22]将交通流视为图像输入，采用卷积神经网络（CNN）解决交通流预测问题.这两种方法对交通流时间维信息的处理能力不足，因此，文献[23]提出融合卷积神经网络和长短期记忆网络（Conv-LSTM），用于捕获交通数据的时空相关性，文献[24]融合图卷积和时间卷积网络进行交通流预测，都取得了良好的预测性能.不同交通流预测模型的对比见表1.