Deep learning for intelligent traffic sensing and prediction: recent
advances and future challenges
abstract
随着智能城市和智能交通系统概念的不断涌现，准确的交通感知和预测已成为支持城市管理和交通控制的关键。近年来，车辆互联网的迅速普及和移动服务的普及程度不断提高，为交通传感和预测应用提供了前所未有的数据。但是，要满足
日益复杂和多样化的大流量数据。深度学习凭借在表示学习和多级抽象方面的强大功能，最近已成为许多智能传感系统中最有效的方法。
本文对智能深度学习的最先进的研究工作进行最新的文献综述。
交通感应和预测。
introduction
在将信息和通信技术(ICT)应用到现实世界的不同城市领域中，智能城市的概念已经变得流行起来。“智慧城市”指的是技术密集型的生态系统，旨在提供广泛的无所不在的服务和公用事业应用，如智能交通、家庭自动化、智能电网、电子健康、环境监测和智能物流。随着人口的快速增长和车辆数量的空前增长，智能交通管理已经成为智能城市可持续发展的关键。
本文的贡献：
- 我们提供了一个系统的回顾深度学习，特别是在ITS的智能交通感知和预测。
- 我们研究了不同类型的代表性深度学习模型，并提供了针对不同ITS应用的定制的详细分析。
- 从数百篇相关论文中对ITS的交通感知与预测进行应用层面的细致的研究，从不同角度进行深入分析。
- 我们深入讨论了深度学习在ITS多个重要领域中出现的研究挑战，并展望了这一有前景的研究领域的未来方向。
Traffic sensing and prediction in ITS: an overview
复杂的交通预测问题不能简单的通过现有的传统的机器学习技术实现，原因如下：
- 传统的机器学习模型只有较浅的表示学习空间，无法为大型交通数据集保留足够有用的特征。
- 浅层的机器学习模型依赖于手工制作的特征，不能自动提取高维表示来进行联合学习。
- 尽管输入的交通感知数据爆炸式增长，经典的机器学习模型不能通过开发更多有价值的交通预测表示来提高其性能。
因此，深度学习驱动的交通预测成为必然、迫切和可行的。
Key components in ITS
ITS结构中有四个主要的组件：
- sensor networks:负责从车辆和移动设备(主要通过无线传感)收集路网交通信息的主要子系统
- transmission technologies:无线通信技术是在交通传感器和交通监控系统之间传输实时交通数据的关键技术
- deep-learning models:深度学习模型是深度神经网络处理其信息的核心组成部分。实质上，深度学习是机器学习(ML)的一个子领域。
- traffic management operations:交通管理操作是将来自交通感知和深度学习模型的信息付诸实践的最后一步。交通管理单元包括交通预测(本文的一个基本范围)、交通优化和拥塞控制。
Previous efforts of related reviews and surveys
讲述了一下先前的研究，并总结目前还缺乏一份最新的关于ITS的综述。