基于深度学习的道路短期交通状态时空序列预测

后记

16.2 本章小结

16.1 理论介绍

第16章 矩阵分解

15.3 本章小结

15.2 层标准化

15.1 批标准化

第15章 深度神经网络训练技巧

14.2 本章小结

14.1 模型介绍

第14章 Transformer

13.7 本章小结

13.6 Encoder-Decoder架构的变体及训练方法

13.5 自注意力机制

13.4 多头注意力机制

13.3 广义注意力机制

13.2 基于注意力机制的Encoder-Decoder模型

13.1 Encoder-Decoder模型

第13章 注意力机制

12.3 本章小结

12.2 顶点域图卷积

12.1 谱域图卷积

第12章 卷积图神经网络

11.7 本章小结

11.6 ConvLSTM

11.5 门控循环单元

11.4 长短期记忆神经网络

11.3 深度循环神经网络

11.2 双向循环神经网络

11.1 标准循环神经网络

第11章 循环神经网络

10.10 本章小结

10.9 亚像素卷积

10.8 可分离卷积

10.7 可变形卷积

10.6 膨胀卷积

10.5 因果卷积

10.4 残差连接网络

10.3 挤压和激励卷积网络

10.2 1D卷积神经网络和3D卷积神经网络

10.1 2D卷积神经网络

第10章 卷积神经网络

9.2 本章小结

9.1 理论介绍

第9章 全连接神经网络

第3篇 深度学习相关基本理论

8.3 本章小结

8.2 STSGCN

8.1 MVGCN

第8章 基于卷积图神经网络的时空相关性同步建模

7.5 本章小结

7.4 STGNN

7.3 STTN

7.2 ST-GRAT

7.1 GMAN

第7章 基于Self-Attention与卷积图神经网络相结合的时空相关性建模

6.6 本章小结

6.5 ST-MetaNet

6.4 GGRU

6.3 T-MGCN

6.2 DCGRU

6.1 AGC-Seq2Seq

第6章 基于循环与卷积图神经网络相结合的时空相关性建模

5.5 本章小结

5.4 ASTGCN

5.3 Graph Wave Net

5.2 TSSRGCN

5.1 STGCN

第5章 基于1D图卷积与卷积图神经网络相结合的时空相关性建模

第2篇 基于深度学习的拓扑化道路交通状态时空序列预测

4.4 本章小结

4.3 训练算法

4.2 预测模型

4.1 问题提出

第4章 基于3D图卷积的时空相关性建模

3.7 本章小结

3.6 SA-ConvLSTM

3.5 MIM

3.4 PredRNN++

3.3 PredRNN

3.2 ACFM

3.1 STDN

第3章 基于2D图卷积与循环神经网络相结合的时空相关性建模

2.6 本章小结

2.5 ST-NASNet

2.4 DeepLGR

2.3 MF-STN

2.2 MDL

2.1 ST-ResNet

第2章 基于2D图卷积神经网络的时空相关性建模

第1篇 基于深度学习的网格化道路交通状态时空序列预测

1.6 本章小结

1.5 基于深度学习的道路短期交通状态时空序列预测建模一般性框架

1.4 道路短期交通状态时空序列预测研究概要性综述

1.3 道路短期交通状态时空序列预测

1.2 时空数据挖掘

1.1 时空数据

第1章 道路短期交通状态时空序列预测总论

主要符号表

前言

版权信息

封面

封面

版权信息

前言

主要符号表

第1章 道路短期交通状态时空序列预测总论

1.1 时空数据

1.2 时空数据挖掘

1.3 道路短期交通状态时空序列预测

1.4 道路短期交通状态时空序列预测研究概要性综述

1.5 基于深度学习的道路短期交通状态时空序列预测建模一般性框架

1.6 本章小结

第1篇 基于深度学习的网格化道路交通状态时空序列预测

第2章 基于2D图卷积神经网络的时空相关性建模

2.1 ST-ResNet

2.2 MDL

2.3 MF-STN

2.4 DeepLGR

2.5 ST-NASNet

2.6 本章小结

第3章 基于2D图卷积与循环神经网络相结合的时空相关性建模

3.1 STDN

3.2 ACFM

3.3 PredRNN

3.4 PredRNN++

3.5 MIM

3.6 SA-ConvLSTM

3.7 本章小结

第4章 基于3D图卷积的时空相关性建模

4.1 问题提出

4.2 预测模型

4.3 训练算法

4.4 本章小结

第2篇 基于深度学习的拓扑化道路交通状态时空序列预测

第5章 基于1D图卷积与卷积图神经网络相结合的时空相关性建模

5.1 STGCN

5.2 TSSRGCN

5.3 Graph Wave Net

5.4 ASTGCN

5.5 本章小结

第6章 基于循环与卷积图神经网络相结合的时空相关性建模

6.1 AGC-Seq2Seq

6.2 DCGRU

6.3 T-MGCN

6.4 GGRU

6.5 ST-MetaNet

6.6 本章小结

第7章 基于Self-Attention与卷积图神经网络相结合的时空相关性建模

7.1 GMAN

7.2 ST-GRAT

7.3 STTN

7.4 STGNN

7.5 本章小结

第8章 基于卷积图神经网络的时空相关性同步建模

8.1 MVGCN

8.2 STSGCN

8.3 本章小结

第3篇 深度学习相关基本理论

第9章 全连接神经网络

9.1 理论介绍

9.2 本章小结

第10章 卷积神经网络

10.1 2D卷积神经网络

10.2 1D卷积神经网络和3D卷积神经网络

10.3 挤压和激励卷积网络

10.4 残差连接网络

10.5 因果卷积

10.6 膨胀卷积

10.7 可变形卷积

10.8 可分离卷积

10.9 亚像素卷积

10.10 本章小结

第11章 循环神经网络

11.1 标准循环神经网络

11.2 双向循环神经网络

11.3 深度循环神经网络

11.4 长短期记忆神经网络

11.5 门控循环单元

11.6 ConvLSTM

11.7 本章小结

第12章 卷积图神经网络

12.1 谱域图卷积

12.2 顶点域图卷积

12.3 本章小结

第13章 注意力机制

13.1 Encoder-Decoder模型

13.2 基于注意力机制的Encoder-Decoder模型

13.3 广义注意力机制

13.4 多头注意力机制

13.5 自注意力机制

13.6 Encoder-Decoder架构的变体及训练方法

13.7 本章小结

第14章 Transformer

14.1 模型介绍

14.2 本章小结

第15章 深度神经网络训练技巧

15.1 批标准化

15.2 层标准化

15.3 本章小结

第16章 矩阵分解

16.1 理论介绍

16.2 本章小结

后记