通过找文献、下载文献、精读文献，向好的文章学习，具体化、实例化的总结归纳每一篇文章！不要浪费时间在劣质文章和试读文章，要多多花费时间在精读文章上~~学会使用《中国计算机学会推荐国际学术会议和期刊目录》
Sci论文期刊检索|文献检索求助互助 - Sci-Hub|Scidown
dblp: computer science bibliography
目录
0.概况
文献名称：Acting as a Decision Maker:Traffic-Condition-Aware Ensemble Learning for Traffic Flow Prediction
本地位置：/Users/yueying/Desktop/others🧴/ml
期刊：IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS
发表时间：2020
关键词：Traffic flow prediction,ensemble learning,deep learning
数据集：Caltrans Performance Measurement System 网址：http://pems.dot.ca.gov/
真正意义上读懂一篇文献，是深入浅出，用最简单的语言讲述复杂的问题，具体的模型和方法远远没有弄懂这篇论文“在干什么”重要。
一、研究背景
由于交通流时间序列中复杂的不稳定的时间动态化&公路网络的空间依赖性(就是指当地理空间中某一点的值依赖于和它相邻的另一点的值时，就产生了空间依赖性，于是在这一个地理空间中各个点的值都会影响相邻的其他点的值。)目前没有很有优势的方法
1.1目前方法的局限
没有假设一个交通流量模型去描述交通系统的动态性；
没有一个交通模型可以一直优于其他模型，在任意交通状况，对于任意数据集；原因：(1)由于交通流时间序列中复杂的不稳定的时间动态化&公路网络的空间依赖性难以建模(2)一个单独模型难以概括不同的交通状况
1.2研究的意义
有重要意义：for both proactive traffic control and traveler information service
1.3本文主要贡献
(1)设计出了一个集成学习框架：TCAE——Traffic-Condition-Aware-Ensemble 改善了交通预测的性能；
(2)构造了CNN模型，通过提取时空特征，卷积操作提取时间特征，池化操作提取空间特征；
(3)作者实验证明了TCAE的性能优于SVR,LSTM,HA,WR,GBRT
二、本文方法
2.1两类方法
(1)基于模型的[例如macroscopic model, mesoscopic model, microscopic model]
(2)大数据驱动的[建立一个mapping] 【作者集中讲述】
具体化
集成学习vs GBRT SVR LSTM HA
公式：
是一个集成模型，
是基模型，
是基模型的权重；
上图展示：不同(SVR和LSTM)基模型的性能；
(a)LSTM预测在目标值的上面，SVR预测在目标值的下面；
(b)LSTM和SVR均在目标值的下面；
(c)LSTM和SVR均在目标值的上面；
model
本文使用CNN获取交通流中的spatiotemporal时空特征，提取高水平的特征，生成权重。
2.2具体实现
本文提出了一个集成学习框架：两个必不可少的模型分别是交通状况识别和动态权重生成
A参数回归和非参数回归
参数回归：
ARIMA(Autoregressive Integrated Moving Average 时间序列自回归整合移动模型)：预测交通容量 1980's 首先识别出3个模型参数，
，
代表自回归项的数量， 
代表差分阶数， 
代表移动平均项的数量。
很多研究者提出了它的变体：Kohonen ARIMA, subsetARIMA, ARIMA with explanatory variables, and Seasonal ARIMA；
vs ARIMA：卡尔曼滤波也是一种参数回归的方法；
ARIMA（p,d,q）模型原理及其实现 --------python_English Chan的博客-CSDN博客_arima模型表达式怎么写
参数回归不适合预测快速变化的样本 => 非参数回归。
非参数回归：
非参数回归的方法例如：SVR(support vector regression支持向量机回归),KNN(k-nearest neighbors最邻近分类)
机器学习笔记 - 什么是支持向量回归(SVR)？_坐望云起的博客-CSDN博客_支持向量机回归
机器学习之KNN最邻近分类算法_pengjunlee的博客-CSDN博客_knn分类算法
KNN算法（一） KNN算法原理_~风凌天下~的博客-CSDN博客_knn
B深度学习
DNN深度神经网络算法比传统的参数回归和非参数回归方法性能更高，主要使用的体系结构有：DFN深度前反馈网络，RNN循环神经网络，CNN卷积神经网络...
C集成学习方法
同质弱学习器：bagging(基础模型根据不同的训练实例集进行训练，然后对其输出直接取平均值进行回归或多数投票进行分类) & boosting(训练一系列基模型在同一时间计算出权重)；
异质弱学习器：stacking(先训练基模型，然后再训练一个高水平的模型或元模型，把基类模型的输出当作输入)；
集成学习方法可以减少模型种类，提高预测精度；
列举最近的研究...
2.3方法论
A问题描述
把观测到的交通数据(交通容量、行程时间)和外部信息(例如极端天气)映射到目标交通流量预测，定义一个交通流矩阵：
代表探测器 
在时间 
的交通流，矩阵里面存放的是历史探测数据；
代表探测器 
在时间 
的交通流估计值；映射函数可以表示为 
B使用CNN进行时空表示
把式(5)代入式(4)得到式(6) 
;
我们重复迭代式(6)从
至 
，我们得到卷积操作在特征向量 
基础上的特征向量
；如果有
个探测器，输出特征的维度是:
，写作
.
一层filter卷积输出一个feature map，池化输出的 
元素 在特征向量
是 
，
是乘法的偏置，
是加法的偏置，
是池化窗口的尺寸。是激活函数，池化的输出可以写作：
卷积操作和池化操作之后，最新的输出map传递到全连接神经网络层，输出权重向量：
.
C对交通预测的集成学习
(1)增强精度；
(2)减少误差；
一个相加模型：
是使用CNN学习到的权重，
是
交通预测器的输出；
定义损失函数：
算法：
三、实验分析
实验证明了作者预测的高性能：
A数据集和实验设置
(1)数据集描述和数据预处理
作者使用交通领域科研常用数据集：Caltrans PeMS，是California的交通大数据系统，地图上显示的交通数据是从39000多个单独的探测器中实时收集的，这些传感器跨越了California所有主要都会区的高速公路，数据量非常之大、之全。
147个机动车探测器，数据时间跨度：一年中363天，从上午6点到下午十点；
用箱形图表示数据集，表示出最小值、上四分位数、中位数、下四分位数和最大值：
对数据集进行z- score标准化处理，公式如下：
前50个数据用来计算，147分数据用来当作输入，前80%用作训练集，后20%用作测试集。
上图绘出了工作日和周末高速公路交通流；
为充分利用时空特征，时间序列特征向量 
:由连续的6个交通流点组成，命名为
，显示地显示出了机动车探测点位置的时间依赖性，数据集包含了147个机动车探测点位置(VDS )，交通矩阵
包含了所有机动车探测点位置的特征向量，表示为：
(2)模型架构
Pytorch & scikit-learn
WRegression的预测值 
写作 
，
是基模型的预测值，
是它的权重。
B评价指标
MAE
RMASE
MRE
C结果和讨论
实验对比
成功项目展示
四、文献拓展
文献总结模版参考：文献Review：基于端元可变光谱分解的多时相遥感影像变化检测方法_harden1013的博客-CSDN博客
移动平均线研判（Moving average） - 道客巴巴
Bagging与Boosting的区别与联系_我对算法一无所知的博客-CSDN博客_bagging和boosting的区别
常用的模型集成方法介绍：bagging、boosting、stacking
集成学习方法之Bagging，Boosting，Stacking_天才厨师1号的博客-CSDN博客_bagging、boosting、stacking
ImportError: cannot import name 'tqdm' from partially initialized module 'tqdm' (most likely due to a circular import) (/Users/yueying/coding2022/tqdm.py)
转载：https://blog.csdn.net/m0_57656758/article/details/127166592