交通預見未來(7) 使用卷積神經網絡做交通速度預測-案例簡介
此篇文章主要介紹上一篇論文的案例研究部分，背景和理論部分請看上一篇文章。
1、文章資訊
《Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation Network Speed Prediction》。
北航馬曉磊老師2017年發在開源期刊Sensor上的一篇文章（大類工程技術3區，IF:2.475）,被引168次。
2、案例研究
從上篇文章得知，本文的輸入為：
N為時間間隔的長度，Q為路段的長度，像素mij是第i路段在j時刻的平均交通速度。設x軸和y軸分别表示矩陣的時間和空間。生成的矩陣可以看作是圖像的一個通道channel，是以，圖像的寬度為M像素，高度為N像素。
實驗資料：北京市2015年5月1号到6月6号計程車GPS資料，定位間隔約為1分鐘，利用該軌迹資料擷取某個路段某個時間段（本文2分鐘）的平均交通速度得到上述矩陣。
本文選取了兩個交通網絡，一個是二環路（單向，236個路段），一個是東北部的一個子網絡（部分雙向，352個路段）。進行了4次實驗，task1-task4.
Task 1: 使用過去30分鐘的交通速度預測未來10分鐘的;
Task 2: 使用過去40分鐘的交通速度預測未來10分鐘的;
Task 3: 使用過去30分鐘的交通速度預測未來20分鐘的;
Task 4: 使用過去40分鐘的交通速度預測未來10分鐘的.
為了擷取交通速度矩陣，第一個網絡直接拉直即可，第二個是把網絡切割成一段一段的交通直線然後按順序放置。
一天的資料處理成一張圖檔後共37張圖檔，如下圖，橫軸為時間，縱軸為各個路段。越紅代表速度越低越擁擠。
CNN參數：
Filter size=(3, 3), Pooling size=(2, 2), filter 分别為256，128，64個; 訓練集為前30天的21600個樣本（2分鐘一個樣本，一個小時30個，一天24*30=720個，30天720*30=21600個），測試集為後7天5040個樣本。
預測結果：
一直感覺這種比較就是自欺欺人，但是還得比較~
3、展望
文章一直在強調兩點：
1，CNN不同于普通的全連接配接層，由于濾波器filter的存在，CNN能夠提取局部特征。文章使用了數百個filter，一個filter可以能夠提取1個交通特征，是以，對一個輸入層，數百個filter就可以提取數百個交通特征。
2，池化層的設計目的是縮小采樣和聚合資料，因為它們隻從特定區域提取顯著的數字。池化層保證CNN是局部不變的，這意味着不論是否進行特征移動、旋轉或縮放CNN總是可以從輸入中提取相同的特征。
借鑒意義：要反複強調自己的創新點。
關注微信公衆号《當交通遇上機器學習》，背景回複“資料”即可擷取高達175G的四個月的滴滴GPS資料和滴滴訂單資料的擷取方式，以及從資料處理（Oracle資料庫）、模型建構（機器學習）、程式設計實作（python）到可視化（ArcGIS）等一系列視訊教程。
公衆号以交通大資料為主線，專注于人工智能、機器學習、深度學習在道路交通和軌道交通領域内的科研前沿與應用，在交通大資料與機器學習的道路上越走越遠！