1.5　基于深度学习的道路短期交通状态时空序列预测建模一般性框架

正如本书前言部分所述，本书完全是关注基于深度学习进行道路短期交通状态时空序列预测问题的研究。因此，在这里，给出基于深度学习的道路短期交通状态时空序列预测建模一般性框架。

一般而言，基于深度学习进行短期交通状态预测的建模框架包括3个部分，如图1-6所示，分别为输入特征嵌入器（Input Feature Embedder，IFE）、时空特征萃取器（Spatial-Temporal Feature Extractor，STFE）和交通状态预测器（predictor）。其中，IFE一般负责对原始数据的数据特征进行维度的变换，如升维，从而增强深度模型的表达能力。一般情况下，IFE都会是一个小型的全连接神经网络（一般2层以内）；STFE是整个深度模型的核心，用于对交通状态预测中的复杂时空相关性进行高阶特征萃取，本书的重点会在第2篇和第3篇的每项研究中，详细介绍针对网格化和拓扑化两种不同数据组织方式的时空特征萃取方法；predictor以STFE所得到的高阶时空表征为输入，最后输出对未来交通状态的预测。如果是单步预测，一般predictor都会是一个小型的全连接神经网络；如果是多步预测，predictor可以是一个全连接神经网络，也可以是一个基于循环神经网络单元（如LSTM、GRU等）的解码器（decoder）的结构，依次地对未来多个时段进行预测。

图1-6　基于深度学习的短期交通状态预测一般性框架