综述：深度学习在交通运用

Enhancing transportation systems via deep learning: A survey

1.框架

文中结构

• 第一章前言，介绍整体大情况。
• 第二章各类深度学习的先验知识。
• 第三章Visual recognition tasks in ITS ，交通标志牌的识别。数据集： GTSRB ，从机器学习到深度学习，准确率99以上。
• 第四章 Traffic state prediction
  1. 交通流量预测（TFP）：数据集：PeMS，cnn+lstm效果最佳。
  2. 交通速度预测（TSP）：最新为 ST-GCNN
  3. Travel Time Prediction (TTP) ：时空模型与lstm，未发现cnn在此方面的应用。
• 第五章：其他任务
  1. ** Traffic tensor prediction **：rnn解决起讫点之间的交通流量，时空残差网络解决功能区域之间的人群流动，(Spatial–Temporal Neural Network解决旅行时间。交通需求预测（乘客需求优化公交车与出租车调度）：多视图时空网络解决了这个问题，该网络本质上是CNN和LSTM网络的混合模型，cnn+lstm。数据集：滴滴数据。

2. 拥塞和旅行风险预测：
3. 监视事件异常监视视频：
4. 交通信号控制：

• 第六章总结深度学习的优缺点
• 来源：Wang, Y., Transportation Research Part C, https://doi.org/10.1016/j.trc.2018.12.004