|
關(guān)于我們
 書單推薦 新書推薦 |
基于深度學習的道路短期交通狀態(tài)時空序列預測 
定 價：98 元
9 7 4 8 3 7 0 1 1 2 9 1 0 讀者對象:本書適用于具有一定計算機科學（尤其是深度學習相關(guān)理論）背景知識的道路交通領域?qū)I(yè)研究人員閱讀。此外，本書也適用于時空數(shù)據(jù)挖掘領域的研究人員閱讀。 
這本書系統(tǒng)闡述了深度學習方法論在道路短期交通狀態(tài)時空序列預測領域的最新研究成果。需要著重說明以下幾點：（1）領域限定在了道路交通，因為交通是個大系統(tǒng)，存在著航空、水運、道路等多種運輸方式，而本書所闡述的研究均是針對道路交通領域的數(shù)據(jù)以及面向道路交通領域的應用；（2）本書所討論的研究問題是道路短期交通狀態(tài)時空序列預測問題，該問題是時空數(shù)據(jù)挖掘領域中時空預測問題的一個重要子集，在本書的第1章中將會對這個問題進行數(shù)學上的形式化定義；（3）本書針對道路短期交通狀態(tài)時空序列預測問題的討論，完全是基于深度學習的方法論，所參考的文獻絕大部分發(fā)表于2017年以后，并不涵蓋前人對該研究問題所采用的全部方法論（如ARIMA，卡爾曼濾波、SVR等）。
崔建勛，哈爾濱工業(yè)大學 交通學院 副教授碩士生導師，長期從事人工智能與道路交通的交叉領域研究，主要研究方向包括基于深度學習的短時交通狀態(tài)預測、基于深度強化學習的自動駕駛決策規(guī)劃與控制等。
目 錄
第 1 章 道路短期交通狀態(tài)時空序列預測總論.................................................... 001 1.1 時空數(shù)據(jù)............................................................................................................... 001 1.2 時空數(shù)據(jù)挖掘....................................................................................................... 002 1.3 道路短期交通狀態(tài)時空序列預測 ....................................................................... 003 1.3.1 問題描述 .................................................................................................. 003 1.3.2 核心挑戰(zhàn) .................................................................................................. 005 1.3.3 問題分類 .................................................................................................. 007 1.4 道路短期交通狀態(tài)時空序列預測研究概要性綜述 ........................................... 012 1.5 基于深度學習的道路短期交通狀態(tài)時空序列預測建模一般性框架................ 014 1.6 本章小結(jié)............................................................................................................... 015 第 1 篇 基于深度學習的網(wǎng)格化道路交通狀態(tài)時空序列預測 第 2 章 基于 2D 圖像卷積神經(jīng)網(wǎng)絡的時空相關(guān)性建模................................... 018 2.1 ST-ResNet ............................................................................................................. 020 2.1.1 問題提出 .................................................................................................. 020 2.1.2 歷史交通狀態(tài)切片數(shù)據(jù)的獲取............................................................... 020 2.1.3 預測模型 .................................................................................................. 022 2.1.4 訓練算法 .................................................................................................. 026 2.2 MDL...................................................................................................................... 027 2.2.1 問題提出 .................................................................................................. 027 2.2.2 預測模型 .................................................................................................. 029 2.2.3 訓練算法 .................................................................................................. 035 2.3 MF-STN ................................................................................................................ 036 2.3.1 問題提出 .................................................................................................. 037 2.3.2 預測模型 .................................................................................................. 037 2.3.3 訓練算法 .................................................................................................. 040 2.4 DeepLGR[23] .......................................................................................................... 042 2.4.1 問題提出 .................................................................................................. 043 2.4.2 預測模型 .................................................................................................. 043 2.4.3 模型小結(jié) .................................................................................................. 048 2.5 ST-NASNet ........................................................................................................... 048 2.5.1 問題提出 .................................................................................................. 051 2.5.2 預測模型 .................................................................................................. 051 2.5.3 訓練算法 .................................................................................................. 054 2.6 本章小結(jié)............................................................................................................... 055 第 3 章 基于 2D 圖像卷積與循環(huán)神經(jīng)網(wǎng)絡相結(jié)合的時空相關(guān)性建模....... 057 3.1 STDN[25]................................................................................................................ 058 3.1.1 問題提出 .................................................................................................. 059 3.1.2 預測模型 .................................................................................................. 059 3.1.3 訓練算法 .................................................................................................. 066 3.2 ACFM[26] ............................................................................................................... 067 3.2.1 問題提出 .................................................................................................. 067 3.2.2 預測模型 .................................................................................................. 068 3.2.3 模型拓展 .................................................................................................. 073 3.2.4 訓練算法 .................................................................................................. 075 3.3 PredRNN[27] .......................................................................................................... 076 3.4 PredRNN++[28] ...................................................................................................... 081 3.4.1 模型架構(gòu) .................................................................................................. 082 3.4.2 Casual-LSTM............................................................................................ 083 3.4.3 GHU.......................................................................................................... 084 3.5 MIM[29].................................................................................................................. 084 3.6 SA-ConvLSTM[30]................................................................................................. 088 3.6.1 模型背景 .................................................................................................. 089 3.6.2 模型構(gòu)造 .................................................................................................. 090 3.7 本章小結(jié)............................................................................................................... 092 第 4 章 基于 3D 圖像卷積的時空相關(guān)性建模..................................................... 094 4.1 問題提出............................................................................................................... 095 4.2 預測模型............................................................................................................... 095 4.2.1 近期時空相關(guān)性捕獲模塊....................................................................... 096 4.2.2 短期時空相關(guān)性捕獲模塊....................................................................... 098 4.2.3 特征融合模塊........................................................................................... 099 4.2.4 預測模塊 .................................................................................................. 099 4.2.5 損失函數(shù) .................................................................................................. 099 4.3 訓練算法............................................................................................................... 100 4.4 本章小結(jié)............................................................................................................... 100 第 2 篇 基于深度學習的拓撲化道路交通狀態(tài)時空序列預測 第 5 章 基于 1D 圖像卷積與卷積圖神經(jīng)網(wǎng)絡相結(jié)合的時空相關(guān)性建模 .. 102 5.1 STGCN[32] ............................................................................................................. 102 5.1.1 問題提出 .................................................................................................. 102 5.1.2 模型建立 .................................................................................................. 103 5.2 TSSRGCN[33] ........................................................................................................ 105 5.2.1 問題提出 .................................................................................................. 106 5.2.2 模型建立 .................................................................................................. 106 5.3 Graph Wave Net[34]................................................................................................ 112 5.3.1 問題提出 .................................................................................................. 112 5.3.2 模型建立 .................................................................................................. 113 5.4 ASTGCN[35] .......................................................................................................... 116 5.4.1 問題提出 .................................................................................................. 116 5.4.2 模型建立 .................................................................................................. 117 5.5 本章小結(jié)............................................................................................................... 123 第 6 章 基于循環(huán)與卷積圖神經(jīng)網(wǎng)絡相結(jié)合的時空相關(guān)性建模.................... 124 6.1 AGC-Seq2Seq[36]................................................................................................... 124 6.1.1 問題提出 .................................................................................................. 125 6.1.2 模型建立 .................................................................................................. 125 6.2 DCGRU[37] ............................................................................................................ 129 6.2.1 問題提出 .................................................................................................. 130 6.2.2 模型建立 .................................................................................................. 130 6.3 T-MGCN[38] ........................................................................................................... 132 6.3.1 問題提出 .................................................................................................. 132 6.3.2 模型建立 .................................................................................................. 133 6.4 GGRU[39] ............................................................................................................... 138 6.4.1 符號定義 .................................................................................................. 139 6.4.2 GaAN 聚合器 ........................................................................................... 140 6.4.3 GGRU 循環(huán)單元 ...................................................................................... 141 6.4.4 基于 Encoder-Decoder 架構(gòu)和 GGRU 的交通狀態(tài)時空預測網(wǎng)絡 ........ 141 6.5 ST-MetaNet[40]....................................................................................................... 142 6.5.1 問題提出 .................................................................................................. 143 6.5.2 模型建立 .................................................................................................. 143 6.6 本章小結(jié)............................................................................................................... 147 第 7 章 基于 Self-Attention 與卷積圖神經(jīng)網(wǎng)絡相結(jié)合的時空相關(guān)性建模.... 149 7.1 GMAN[41] .............................................................................................................. 150 7.1.1 問題提出 .................................................................................................. 150 7.1.2 模型建立 .................................................................................................. 150 7.2 ST-GRAT[42] .......................................................................................................... 157 7.2.1 問題提出 .................................................................................................. 157 7.2.2 模型建立 .................................................................................................. 158 7.3 STTN[43] ................................................................................................................ 163 7.3.1 問題提出 .................................................................................................. 163 7.3.2 模型建立 .................................................................................................. 164 7.4 STGNN[44] ............................................................................................................. 169 7.4.1 問題提出 .................................................................................................. 169 7.4.2 模型建立 .................................................................................................. 169 7.5 本章小結(jié)............................................................................................................... 173 第 8 章 基于卷積圖神經(jīng)網(wǎng)絡的時空相關(guān)性同步建模 ...................................... 174 8.1 MVGCN[45] ........................................................................................................... 175 8.1.1 問題提出 .................................................................................................. 176 8.1.2 模型建立 .................................................................................................. 177 8.2 STSGCN[46] ........................................................................................................... 180 8.2.1 問題提出 .................................................................................................. 180 8.2.2 模型建立 .................................................................................................. 180 8.3 本章小結(jié)............................................................................................................... 186 第 3 篇 深度學習相關(guān)基本理論 第 9 章 全連接神經(jīng)網(wǎng)絡 ............................................................................................. 190 9.1 理論介紹............................................................................................................... 190 9.2 本章小結(jié)............................................................................................................... 192 第 10 章 卷積神經(jīng)網(wǎng)絡 ............................................................................................... 193 10.1 二維卷積神經(jīng)網(wǎng)絡（2D CNN）....................................................................... 193 10.2 一維卷積和三維卷積神經(jīng)網(wǎng)絡（1D 和 3D CNN） ........................................ 198 10.3 擠壓和激勵卷積網(wǎng)絡（Squeeze and Excitation Networks）............................ 199 10.4 殘差連接網(wǎng)絡（ResNet） ................................................................................. 201 10.5 因果卷積（Casual CNN）................................................................................. 202 10.6 膨脹卷積（Dilated Convolution） .................................................................... 203 10.7 可變形卷積（Deformable Convolution） ......................................................... 204 10.8 可分離卷積（Separable Convolution） ............................................................ 206 10.9 亞像素卷積（SubPixel Convolution）.............................................................. 207 10.10 本章小結(jié)........................................................................................................... 208 第 11 章 循環(huán)神經(jīng)網(wǎng)絡................................................................................................ 210 11.1 標準循環(huán)神經(jīng)網(wǎng)絡（RNN）............................................................................. 211 11.2 雙向循環(huán)神經(jīng)網(wǎng)絡（Bi-RNN）........................................................................ 211 11.3 深度循環(huán)神經(jīng)網(wǎng)絡（Deep RNN） ................................................................... 212 11.4 長短期記憶神經(jīng)網(wǎng)絡（LSTM）[60] .................................................................. 213 11.5 門控循環(huán)單元（GRU）..................................................................................... 215 11.6 ConvLSTM ......................................................................................................... 216 11.7 本章小結(jié)............................................................................................................. 217 第 12 章 卷積圖神經(jīng)網(wǎng)絡........................................................................................... 218 12.1 譜域圖卷積[66] .................................................................................................... 220 12.1.1 拓撲圖數(shù)據(jù)上的卷積操作推導............................................................. 220 12.1.2 切比雪夫多項式卷積............................................................................. 225 12.1.3 圖卷積網(wǎng)絡（Graph Convolutional Networks，GCN）....................... 226 12.1.4 擴散卷積（Diffusion Convolution）..................................................... 226 12.2 空間域圖卷積..................................................................................................... 228 12.2.1 頂點域圖卷積特征聚合器的一般性定義 ............................................. 228 12.2.2 GraphSAGE[71]........................................................................................ 229 12.2.3 GAT......................................................................................................... 232 12.3 本章小結(jié)............................................................................................................. 235 第 13 章 注意力機制（Attention）......................................................................... 236 13.1 Encoder-Decoder 模型[75-77] ................................................................................ 236 13.2 基于注意力機制的 Encoder-Decoder 模型[78-80] ............................................... 238 13.3 廣義注意力機制[81-83] ......................................................................................... 240 13.4 多頭注意力機制（Multi-Head Attention）[84-87] ............................................... 241 13.5 自注意力機制（Self-Attention）[88-91] .............................................................. 242 13.6 Encoder-Decoder 架構(gòu)的變體及訓練方法 ........................................................ 245 13.7 本章小結(jié)............................................................................................................. 249 第 14 章 Transformer[74,94-97] .................................................................................... 250 14.1 模型介紹............................................................................................................. 251 14.2 本章小結(jié)............................................................................................................. 254 第 15 章 深度神經(jīng)網(wǎng)絡訓練技巧............................................................................. 255 15.1 Batch Normalization（BN） .............................................................................. 255 15.2 Layer Normalization（LN）[99] .......................................................................... 262 15.3 本章小結(jié)............................................................................................................. 263 第 16 章 矩陣分解（Matrix Factorization）[100] ................................................ 264 16.1 理論介紹............................................................................................................. 264 16.2 本章小結(jié)............................................................................................................. 267 后記 ....................................................................................................................................... 268 參考文獻.............................................................................................................................. 270
你還可能感興趣
我要評論
|
