本書繫統闡述了深度學論在道路短期交通狀態時空序列預測領域期新研究成果。需要著重說明以下幾點：（1）領域限定在了道路交通，因為交通是個大繫統，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，是基於深度學，所參考的文獻絕大部分發表於2017年以後，並不涵蓋前人對該研究問題所采用的全部方（如ARIMA，卡爾曼濾波、SVR等）。

第1章 道路短期交通狀態時空序列預論

1.1 時空數據

1.2 時空數據挖掘

1.3 道路短期交通狀態時空序列預測

1.3.1 問題描述

1.3.2 核心挑戰

1.3.3 問題分類

1.4 道路短期交通狀態時空序列預測研究概要性綜述

1.5 基於深度學路短期交通狀態時空序列預測建模一般性框架

1.6 本章小結

第1篇 基於深度學格化道路交通狀態時空序列預測

第2章 基於2D圖像卷積神經網絡的時空相關性建模

2.1 ST-ResNet

2.1.1 問題提出

2.1.2 歷史交通狀態切片數據的獲取

2.1.3 預測模型

2.1.4 訓練算法

2.2 MDL

2.2.1 問題提出

2.2.2 預測模型

2.2.3 訓練算法

2.3 MF-STN

2.3.1 問題提出

2.3.2 預測模型

2.3.3 訓練算法

2.4 DeepLGR[

2.4.1 問題提出

2.4.2 預測模型

2.4.3 模型小結

2.5 ST-NASNet

2.5.1 問題提出

2.5.2 預測模型

2.5.3 訓練算法

2.6 本章小結

第3章 基於2D圖卷積與循環神經網絡相結合的時空相關性建模

3.1 STDN

3.1.1 問題提出

3.1.2 預測模型

3.1.3 訓練算法

3.2 ACFM

3.2.1 問題提出

3.2.2 預測模型

3.2.3 模型拓展

3.2.4 訓練算法

3.3 PredRNN

3.4 PredRNN+

3.4.1 模型架構

3.4.2 Casual-LSTM

3.4.3 GHU

3.5 MIM

3.6 SA-ConvLSTM

3.6.1 模型背景

……

第2篇 基於深度學撲化道路交通狀態時空序列預測

第3篇 深度學基本理論

後記

參考文獻

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，主要研究方括基於深度學時交通狀態預測、基於深度強化學動駕駛決策規劃與控制等。