贴一下汇总贴：论文阅读记录
一、摘要
近年来，神经网络已广泛应用于短期交通预测。本研究提出了一种新的神经网络结构——长短期神经网络(LSTM NN)，以有效地捕获非线性交通动态。LSTM神经网络克服了通过记忆块反向传播的错误衰减问题，在长时间依赖性的时间序列预测中表现出优越的能力。此外，LSTM神经网络可以自动确定最优时滞。为了验证LSTM神经网络的有效性，利用北京地区交通微波探测器的车速数据进行模型训练和测试。通过与不同拓扑的动态神经网络以及目前流行的参数和非参数算法的比较，表明LSTM神经网络在精度和稳定性方面都能达到最佳的预测性能。
文章主要内容
利用LSTM NN，先以历史道路速度数据为输入来预测未来的交通速度；然后又以道路速度和交通流量作为输入来预测未来的交通速度。并且通过与多种其他方法进行对比，来展示LSTM NN所展示出的良好的效果。
二、结论
The LSTM NN is able to learn time series with long time dependency and automatically determine the optimal time lags.
LSTM神经网络能够学习具有长时间依赖性的时间序列，并自动确定最优时滞。这一特性尤其适用于交通预测问题，因为未来的交通状况通常与前一个长时间跨度的事件相关。
通过的是LSTM NN与三种不同类型的递归神经网络（Elman NN、TDNN、NARX NN）以及其他非参数和参数化方法（SVM、时间序列和卡尔曼滤波）进行比较，能够发现LSTM NN在精度和稳定性的优越。
本文的几个发现：
- 旅行速度预测性能随时滞的增大而提高。合理设置最优时滞可以提高车速预测的准确性。LSTM神经网络是一种无时滞先验信息的短期车速预测的有效方法。
- 在传统递归神经网络中，NARX神经网络的预测精度最高，而Elman神经网络即使偶尔能获得最优解，但由于学习能力不足，结果不可靠。
- 基于SVM的方法适合于时间序列预测，其结果与NARX神经网络具有可比性，但可能需要花费大量的精力提前校准参数。
还提出了几个可能的研究方向：
- 将空间和时间信息考虑到LSTM NN中进行；
- 研究不同数据聚合级别下的预测性能；
- 在LSTM NN中加入多层的深度框架，以增强神经网络的学习能力。
三、短期交通预测的其他方法
一般来说，交通预测方法主要分为两大类：参数方法和非参数方法。
-
参数化方法
也被称为基于模型的方法，其中模型结构是预先确定的基于某些理论假设和模型参数可以用经验数据计算，典型的方法包括分析方法和交通仿真模型。在分析方法中，交通参数是根据解析方程计算的；在交通仿真模型中，交通流理论是最具代表性的基于三个关键参数(速度、密度和流量)来估计交通状况的方法。 -
非参数方法
卡曼滤波
SVM
ANN（Artificial neural network）：不需要对数据进行潜在的假设，并且对缺失和噪声输入也具有鲁棒性。（Elman NN、TDNN 、 NARX NN）
以上方法的两点不足：
- Traditional RNNs are not able to train the time series with long time lags, while this phenomenon is commonly seen in traffic forecasting tasks.
- Traditional RNNs rely on the predetermined time lags to learn the temporal sequence processing, but it is difficult to find the optimal time window size in an automatic way.
四、LSTM
关于这个也不是很懂，不过看到一篇文章，讲的还是很清楚，就直接链接过来，等以后熟悉了相关的知识，再进行补充。
