论文--Learning to Predict Bus Arrival Time From Heterogeneous Measurements via Recurrent Neural Networ

论文–Learning to Predict Bus Arrival Time From Heterogeneous Measurements via Recurrent Neural Network

摘要：本文提出通过RNN利用多时间步长之间的远程依赖关系对公交到达进行预测。使用one-hot编码将异构信息融合到统一的向量空间中。框架中包括动态信息（历史轨迹数据）和静态信息（基础设施的统计数据）。our goal is to propose a nonlinear prediction model which exploits the heterogeneous measurements and long-range dependencies across multiple time steps.

Related Work：已有的公车到达时间预测研究主要分为三种：基于回归，基于过滤器，基于搜索三种方法。
回归：SVM（不适用于大型问题），MLP（不能用于多步预测）。SSNN（State Space Neural Network，只能建立短期依赖关系，不能建立长期的）。
过滤器：该方法假设到达时间是基于最后一个路段预测的。卡尔曼滤波器（KF）
搜索：“替代预测”策略，历史平均数据用于预测，k-NN，数据太多时会造成计算量太大

模型
input：



output：