FAST学术报告会——于静茹、周凌霄

       316日,课题组于静茹、周凌霄在安中大楼B219分别为大家做了题为《Traffic Flow Prediction Based on Probe Vehicle GPS Traces Considering Temporal and Spatial Correlations》和《Short-Term Forecasting of Traffic Flow and Speed: A Deep Learning Approach》的学术报告。

在报告中,于静茹首先介绍了研究的背景并对相关领域的研究进行了综述,而后介绍了去趋势、长短时记忆模型(LSTM)和梯度提升回归(GBR)的计算方法,并利用北京市浮动车数据进行了实证,证明了去趋势和新算法在速度预测上的优势;周凌霄在详细介绍了卷积神经网络(CNN)的计算流程的基础上,利用PeMS平台的真实多点监测站数据,考虑交通流量和速度的时空相关性,最终提出一种基于CNN的模型来同时预测多点交通流量和速度,提高了预测精度和效率。

报告结束后现场老师和同学们就学术报告中分享的经验和方法进行了探讨交流。