回帰予測 | MATLAB は、複数の入力と単一の出力を持つ CNN-BiLSTM (畳み込み双方向長短期記憶ニューラル ネットワーク) を実装します

回帰予測 | MATLAB は、複数の入力と単一の出力を持つ CNN-BiLSTM (畳み込み双方向長短期記憶ニューラル ネットワーク) を実装します

効果一覧

基本紹介

空間的局所特徴抽出能力を持つ畳み込みニューラルネットワーク (CNN) と長い-順方向と逆方向の両方の期間情報双方向長短期記憶 (BiLSTM) と組み合わせることで、時間と空間の変化により敏感なトラフィック フローを予測するために使用されます。

リサーチレビュー

• 現在, 交通流予測に関する多くの研究成果がありました. 初期の方法には, 従来の線形予測方法が含まれます. 線形予測方法は単純で操作が簡単ですが, 不規則な交通流の状態をうまく反映することはできません.常に変動するトラフィック フローに対応するため、従来の非線形予測方法が登場しました。その後、コンピューター技術の発展と人々の正確なリアルタイム トラフィックの習得に伴い、機械学習や深層学習に基づく予測方法など、最新のインテリジェントな予測方法が登場しました。単一の方法には多かれ少なかれ欠陥があるため、近年、異なる予測方法を組み合わせて単一の予測方法の欠点を補い、より良い予測結果を達成する複合予測方法が登場しました。
• A は、交通量データが利用できない交通ネットワーク内のすべての道路セグメントの交通量を推定しますが、短期的な交通量しか予測できません。
• D は、時系列解析問題を画像解析タスクに変換します. 提案されたモデルは、道路ネットワークの不完全な交通データを予測する能力を持っています, しかし、これらの深いネットワークは複雑なアーキテクチャと弱い解釈可能性を持っています.
• H 階層的時間記憶は、LSTM に匹敵し、交通流分布が変化すると改善される短期的な交通流予測の有効なツールとしての可能性を秘めていますが、モデル出力から異常な流れを検出し、それらを適用して予測することは苦手です。異常事態の存在。
• Cは、機械学習アルゴリズムを統計モデルに次々と接続し、ARIMA分析を通じて後処理することで、予測の精度を大幅に向上させます.機械学習アルゴリズムが最も単純な従来のニューラルネットワークのみを考慮するという制限があります.
• ニューラル ネットワークとファジー ロジックの補完的な機能を組み合わせることで、M らは短期間の交通量予測において満足のいく結果を達成しました。
• Lらは、SAEモデルに基づいて交通流の抽象的および潜在的な特徴を抽出する方法を提案しましたが、交通流が小さい場合、観測された流れと予測された流れのわずかな差が大きな相対誤差につながります。

モデル構造

モデルは、入力層、CNN 層、BiLSTM 層、全結合層、および出力層で構成されます. CNN 層は、畳み込み層と最大プーリング層のスタックで構成されます. ドロップアウト層が最後に追加されますノードをランダムにドロップしてオーバーフィッティングを防ぎます。LSTM モデルは、再帰型ニューラル ネットワーク RNN の長期依存問題を解決します.独自の「ゲート」構造により、勾配爆発と勾配消失を回避でき、強力な長期記憶能力の利点があります。BiLSTM には LSTM の利点がありますが、時間次元で前方および後方の双方向時系列情報を考慮することもでき、予測はより包括的で正確です。CNN は局所的な空間的特徴の抽出に適しており、BiLSTM は双方向の時系列情報の組み合わせを考慮に入れるため、空間的および時間的特性から交通流データをより包括的に分析できるため、予測結果の適合度が高くなります。

要約する

トラフィック フロー シーケンスの時空間相関の特性を目指して、CNN と BiLSTM のそれぞれの利点を組み合わせた CNN-BiLSTM モデルを本論文で提案します。CNN-BiLSTM モデルは、それぞれ CNN と LSTM を介して空間的特徴と時間的特徴を抽出し、検証分析の例を通じて次のことを示しています。朝ピークと夕方ピークのどちらかが優れており、安定性と精度が高い。

参考文献

[1] https://blog.csdn.net/kjm13182345320/article/details/127281969?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/127261869?spm=1001.2014 .3001.5502
[3] https://blog.csdn.net/kjm13182345320/article/details/127179100?spm=1001.2014.3001.5502
[4] https://download.csdn.net/download/kjm13182345320/85476987?spm=1001.20 .3001.5503