Deep Learning for Traffic Flow Prediction using Cellular Automata-based Model and CNN-LSTM architecture

最近的研究尝试使用深度学习来预测交通流的未来状态，但结果参差不齐。这些方法面临两个关键挑战。首先，训练深度学习神经网络需要大量的训练数据，而这些数据对于交通流系统来说并不容易获取。其次，即使有数据，神经网络也需要访问涵盖大多数可能的交通流动态的历史数据，才能成功预测未来的交通状态。具体来说，这些深度学习方法没有充分利用关于交通流动态的领域知识，尽管存在重要的知识库。在这项工作中，我们提出使用卷积神经网络(CNNs)和长短时记忆(LSTM)深度学习架构来成功预测交通流，同时利用基于元胞自动机的交通流统计力学模型生成训练和测试数据来解决这两个问题。本文的另一个重要贡献是认识到，大型交通系统的训练数据实际上可以从较小交通系统的模拟中采样得到。这是通过观察到统计力学模型的归一化能量分布具有尺度不变性来实现的，这极大地减轻了大规模交通系统数据生成的负担。最终的模拟结果表明，预测的交通流动态与真实的交通流动态之间存在良好的一致性。

使用深度学习预测交通流量的问题

使用基于元胞自动机的统计力学模型生成训练和测试数据，结合CNN和LSTM深度学习架构来预测交通流量

论文提出了一种解决大规模交通系统数据不足和历史数据覆盖不全的问题的方法，即使用小规模交通系统的模拟数据进行训练，同时使用元胞自动机模型生成大量数据，实验结果表明预测结果与真实交通流量动态相符合

最近的相关研究包括使用深度学习预测交通流量的方法，但这些方法并没有充分利用交通流动力学的领域知识