主要工作时间轴，包括论文的阅读整理、实验方案的确定、数据的预处理和训练。因为涉及到毕业设计，在这里只讲方法不讲内容。
论文阅读整理
1-基于深度学习的短时交通流预测
预处理
差分处理（说的高大上）
模型结构
使用DBN，深度信念网络，由多个限制玻尔兹曼机（RBM）叠加，顶层加一个SVR来预测流量。
- DBN 特征学习
- 特征H丢进SVR预测
- 反差分
误差分析
均方误差MSE
平均百分比误差MAPE
模型对比
与浅层的NN和SVR
2-大规模交通流预测方法研究
预处理
进行抽样，抽样率。
kmeans聚类，每类进行抽样。
模型结构
SMO的SVR
误差分析
MSE MAE MAPE 训练时间
模型对比
无
3-基于CNN_SVR混合深度学习模型的短时交通流预测
预处理
没处理
模型结构
单隐层CNN+SVR Adam替代SGD
误差分析
MAE RMSE
模型对比
与单独的CNN和SVR对比 残差对比
4-基于车联网的短时交通流预测算法研究
预处理
pems数据集
剔除无效数据 插值补全
30s数据进行聚合
获得speed flow occupancy三种数据源
模型结构
基于卡尔曼滤波
基于相空间重构的卡尔曼滤波
小波神经网络WNN 基于时空特性
误差分析
MAE 平均相对误差MRE 均方根误差RMSE 均方百分比误差MSPE 均等系数EC
模型对比
工作日 非工作日
5-基于深度学习的短时交通流预测研究（√）
预处理
【深圳市南山大道数据集】
取下游路段t时刻及之前共m + 1个时刻的状态，和自身路段t时刻及之前n + 1个交通流状态共同构成的输入状态.
平稳化：一阶差分
模型结构
LSTM-RNN联合
误差分析
MAE 平均相对误差MRE 均方根误差RMSE 均方百分比误差MSPE 均等系数EC
不同深度和结构的模型的误差水平
训练时间
DropOut层设定随机断开 20%的神经元，Dense为全连接层.优化器为“Nadam”，激活函数为“tanh”，损失函数为MSE.实验发现，随着 Epoch 的增加，训练时长增加，模型的训练误差会随之降低，但是 Epoch增大到一定程度，则可能出现过拟合现象.对于比较小的数据集，Batchsize可以采用全数据集的形式，因为全数据集确定的方向能够更好的代表样本总体，从而更准确地朝向极值所在的方向下降.相反的，Batchsize 等于 1 时(在线学习模式)，每次修正的梯度方向都会发生变化，有可能横冲直撞，难以收敛.因此，这 2 个参数的选择应该首先针对样本集的大小确定一个大致的范围，再经过仔细调节，寻找到合适的值，达到兼顾精度和时效性的要求
模型对比
BPNN RNN
6-基于深度学习的短时交通拥堵预测模型
预处理
【北京浮动车辆 GPS 数据】
- 剔除无效数据
- 筛选有意义数据
- 路段匹配
模型结构
基于SAE（堆叠自动编码器）
误差分析
MSE RMSE
模型对比
比较 SAE 模型、 SVR 模型、 BP 神经网络、 RNN 神经网络以及 LSTM神经网络来分析平均速度预测模型的性能
实验方案
###
存在的问题
###