加强下一个目的地预测：一种使用现实世界航空数据的新型 LSTM 方法
内容提要
本文综述了多项基于LSTM的交通预测研究：利用注意力LSTM预测行程时间，误差仅3.99%；结合RNN与CNN预测航班客流，均方误差改善约33%；HierLSTMat预测路网旅行时间；LSTM预测车辆轨迹与共享出行客流；RCLSTM降低计算复杂度；神经网络预测出租车目的地；LSTM预测巴士客流，准确率提升23%。
延伸解读
注意力机制与并行LSTM的精度提升
文章提到，最佳模型采用两个并行的基于注意力机制的LSTM网络，预测下一次行程的距离和时间的误差为3.99%，比LSTM模型还要好23.89%。这表明注意力机制能有效提升LSTM在时空预测任务中的性能，而并行结构可能有助于同时处理距离和时间两个目标。
多模态深度学习在航班客流预测中的优势
研究结合RNN和CNN，利用数据的时间和空间关系，并采用三维张量、遮掩策略和数据增强等技术，使均方误差比传统基准模型提高约33%。这显示了深度学习与细致数据处理在航班客流预测中的潜力，多模态方法能更全面地捕捉复杂模式。
大数据引擎支持下的路网旅行时间预测
文章使用Apache Spark和Apache MXNet，基于Caltrans PeMS大规模旅行时间数据集，设计HierLSTMat模型预测整个路网的旅行时间。实验表明该模型能成功预测未知拥堵，且效率高于流行数据科学和深度学习框架，说明大数据引擎与层次化LSTM结合能有效处理大规模路网预测。
LSTM在交通预测中的多样化应用与改进
从车辆轨迹预测、共享出行客流到出租车目的地和巴士客流预测，LSTM被广泛应用。其中巴士客流预测准确率平均提升23%，最高提升27%；RCLSTM在保持精度的同时降低计算复杂度。这些案例表明LSTM能适应不同交通场景，并通过结构改进平衡性能与效率。
Q&A
有哪些基于LSTM的模型被用于预测行程时间和距离？
最佳模型采用两个并行的基于注意力机制的LSTM网络，预测下一次行程的距离和时间的误差为3.99%，比LSTM模型好23.89%。
如何利用深度学习预测航班客流量？
结合RNN和CNN，利用数据的时间和空间关系，并采用三维张量、遮掩策略和数据增强技术，均方误差比传统基准模型提高约33%。
LSTM在车辆轨迹预测中有哪些应用？
有研究使用LSTM神经网络对高速公路行驶中的车辆进行纵向和横向轨迹预测，使用NGSIM US-101数据集训练；还有研究利用编码器-解码器结构和LSTM生成未来轨迹序列，并使用束搜索保留K个局部最优解。
RCLSTM模型有什么优点？
RCLSTM模型在电信网络交通预测和用户移动性应用中可实现与LSTM相同的预测准确性，同时具有计算复杂度更低的优点。
如何预测巴士客流量？
通过设计基于LSTM的架构，输入过去的巴士乘客、星期几、时间段、天气情况和降雨量等特征，模型平均和最高准确率分别提高了23%和27%。
LSTM在共享出行客流预测中有什么应用？
有研究融合卷积长短时记忆网络，考虑时空相关性，预测中国杭州地区共享出行平台的短期客流需求，实验证实了比传统方法更高的预测精度。
