xxxfreesexmoves-haodiaocao这里只有精品视频-欧美性受黑人性爽-欧美性受xxxxxx黑人xyx性爽|www.jsyyzsb.com

這本書系統闡述了深度學習方法論在道路短期交通狀態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，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據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時空序列預測問題，該問題是時空數據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學上的形式化定義；（3）本書針對道路短期交通狀態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預測、基于深度強化學習的自動駕駛決策規劃與控制等。

目 錄
第 1 章 道路短期交通狀態時空序列預測總論.................................................... 001
1.1 時空數據............................................................................................................... 001
1.2 時空數據挖掘....................................................................................................... 002
1.3 道路短期交通狀態時空序列預測 ....................................................................... 003
1.3.1 問題描述 .................................................................................................. 003
1.3.2 核心挑戰 .................................................................................................. 005
1.3.3 問題分類 .................................................................................................. 007
1.4 道路短期交通狀態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時空序列預測建模一般性框架................ 014
1.6 本章小結............................................................................................................... 015
第 1 篇 基于深度學習的網格化道路交通狀態時空序列預測
第 2 章 基于 2D 圖像卷積神經網絡的時空相關性建模................................... 018
2.1 ST-ResNet ............................................................................................................. 020
2.1.1 問題提出 .................................................................................................. 020
2.1.2 歷史交通狀態切片數據的獲取............................................................... 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 .................................................................................................. 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............................................................................................................... 055
第 3 章 基于 2D 圖像卷積與循環神經網絡相結合的時空相關性建模....... 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 .................................................................................................. 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 模型構造 .................................................................................................. 090
3.7 本章小結............................................................................................................... 092
第 4 章 基于 3D 圖像卷積的時空相關性建模..................................................... 094
4.1 問題提出............................................................................................................... 095
4.2 預測模型............................................................................................................... 095
4.2.1 近期時空相關性捕獲模塊....................................................................... 096
4.2.2 短期時空相關性捕獲模塊....................................................................... 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 .................................................................................................. 099
4.3 訓練算法............................................................................................................... 100
4.4 本章小結............................................................................................................... 100
第 2 篇 基于深度學習的拓撲化道路交通狀態時空序列預測
第 5 章 基于 1D 圖像卷積與卷積圖神經網絡相結合的時空相關性建模 .. 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............................................................................................................... 123
第 6 章 基于循環與卷積圖神經網絡相結合的時空相關性建模.................... 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 循環單元 ...................................................................................... 141
6.4.4 基于 Encoder-Decoder 架構和 GGRU 的交通狀態時空預測網絡 ........ 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............................................................................................................... 147
第 7 章 基于 Self-Attention 與卷積圖神經網絡相結合的時空相關性建模.... 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............................................................................................................... 173
第 8 章 基于卷積圖神經網絡的時空相關性同步建模 ...................................... 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............................................................................................................... 186
第 3 篇 深度學習相關基本理論
第 9 章 全連接神經網絡 ............................................................................................. 190
9.1 理論介紹............................................................................................................... 190
9.2 本章小結............................................................................................................... 192
第 10 章 卷積神經網絡 ............................................................................................... 193
10.1 二維卷積神經網絡（2D CNN）....................................................................... 193
10.2 一維卷積和三維卷積神經網絡（1D 和 3D CNN） ........................................ 198
10.3 擠壓和激勵卷積網絡（Squeeze and Excitation Networks）............................ 199
10.4 殘差連接網絡（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........................................................................................................... 208
第 11 章 循環神經網絡................................................................................................ 210
11.1 標準循環神經網絡（RNN）............................................................................. 211
11.2 雙向循環神經網絡（Bi-RNN）........................................................................ 211
11.3 深度循環神經網絡（Deep RNN） ................................................................... 212
11.4 長短期記憶神經網絡（LSTM）[60] .................................................................. 213
11.5 門控循環單元（GRU）..................................................................................... 215
11.6 ConvLSTM ......................................................................................................... 216
11.7 本章小結............................................................................................................. 217
第 12 章 卷積圖神經網絡........................................................................................... 218
12.1 譜域圖卷積[66] .................................................................................................... 220
12.1.1 拓撲圖數據上的卷積操作推導............................................................. 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............................................................................................................. 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 架構的變體及訓練方法 ........................................................ 245
13.7 本章小結............................................................................................................. 249
第 14 章 Transformer[74,94-97] .................................................................................... 250
14.1 模型介紹............................................................................................................. 251
14.2 本章小結............................................................................................................. 254
第 15 章 深度神經網絡訓練技巧............................................................................. 255
15.1 Batch Normalization（BN） .............................................................................. 255
15.2 Layer Normalization（LN）[99] .......................................................................... 262
15.3 本章小結............................................................................................................. 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............................................................................................................. 267
后記 ....................................................................................................................................... 268
參考文獻.............................................................................................................................. 270