石 敏, 蔡少委, 易清明

(暨南大学 信息科学技术学院, 广州 510632)

在具有不确定性、非线性或时变性的数据中，提取数据的时空特征是获取数据信息的一种重要方式，研究数据的时空特征信息提取方法对于提升模型的预测能力具有重要意义[1-4].在一些复杂的预测场景如在短时交通拥堵预测中，由于车辆速度容易受到包括邻近道路交通拥堵情况、节假日等干扰因素的影响，使得车速数据波动较大且异常值较多.而常态和异常时的数据特征同样重要，因此需要有效的方法来提取这些数据的时空特征信息.随着近年来深度学习模型的广泛应用，越来越多的深度学习预测模型通过不同的改进方式来获取并利用数据的时空特征.罗文慧等[5]利用卷积神经网络(CNN)能够提取数据时空特征的特点，将CNN和SVR(Su-pport Vactor Regression)相结合应用于短时交通流预测.Deng等[6]提出基于CNN 的随机子空间学习方法，将数据转换成图像的形式并进行时空特征信息的提取，从而提高了模型的预测能力.Lin等[7]利用稀疏自动编码器提取数据的时空特征信息并作为LSTM(Long Short-Term Memory)的输入，通过实际交通数据验证了模型的有效性.Kang等[8]将车流量、车辆速度和检测器占有率等数据同时作为LSTM的输入方式，提高了输入数据特征的多样性，并达到不同数据特征共同影响预测结果的目的.An等[9]通过利用残差网络来增加卷积的层数并联合不同时间间隔输入建立起一个模糊卷积神经网络深度模型，使得数据在……