【论文泛读08】基于深度时空残差网络的城市人群流动预测

贴一下汇总贴：论文阅读记录

论文链接：《Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction》

一、摘要

预测人群流量对交通管理和公共安全具有重要意义，且具有很大的挑战性，因为它受到许多复杂因素的影响，如地区间的交通、事件和天气。我们提出了一种基于深度学习的方法，称为ST-ResNet，用于对城市每个区域的人群流入和流出进行综合预测。基于ST-ResNet特有的时空数据特性，设计了一种端到端ST-ResNet结构。更具体地说，我们使用残差神经网络框架来建模人群交通的时间封闭性、周期和趋势特性。对于每个属性，我们设计了一个剩余卷积单元的分支，每个分支都模拟了人群交通的空间属性。ST-ResNet学习根据数据动态聚合三个残差神经网络的输出，为不同的分支和区域分配不同的权值。该聚合进一步与外部因素结合，如天气和星期几，以预测每个地区最终的人群交通情况。在北京和纽约的两种人群流动实验表明，所提出的ST-ResNet方法优于六种知名的方法。

文章主要内容

提出了一种基于深度学习的方法，称为时空残差网络ST-ResNet，来同时预测城市中每个区域的流入和流出客流量。设计了一个残差卷积单元的分支，每个残差卷积单元对拥堵流的空间特性进行建模，ST-ResNet动态整合三个残差神经网络分支的输出，为不同的分支和区域分配不同的权重。

二、结论

提出了一种基于深度学习的模型，基于历史轨迹数据、天气和事件预测城市每个地区的人群流动。我们对北京和纽约两种人群流进行了评估，结果都明显超过了6种基线方法，证实了我们的模型更好，更适用于人群流预测。

代码和数据集：论文中的链接（不过好像404了）

可能的研究方向：

• 考虑其他类型的流量（例如，出租车/卡车/巴士的轨迹数据、电话信号数据、地铁刷卡数据）；
• 使用所有这些数据生成更多类型的流量预测；
• 通过适当的融合机制共同预测所有这些流量。

三、主要内容

预测两种类型的流量，流入流和流出流。

流入流是指在一个时间间隔内进入一个区域的总流量，流出流是指在一个时间间隔内离开我们所要探测区域的流量。了解一个指定区域的上述两种流量是至关重要，这有益于风险控制和交通管理。可以通过行人数量，在附近道路上行驶的汽车数量，乘坐公共交通系统（例如地铁，公交车）的人数来计算一个区域的人流量。

同时预测一个指定区域的流入流和流出流是一个具有挑战性的任务，主要被影响通过下面是哪个复杂的因素：

1. 空间依赖
2. 时间依赖
3. 额外因素的影响：一些额外的因素，例如天气情况和一些突发事件可能改变一个地区的人流量。

主要的四点内容：

1. ST-ResNet采用基于卷积的残差网络对城市中任意两个区域之间的远近空间依赖关系进行建模，同时保证模型的预测精度不受神经网络深度结构的影响。
2. 我们将人群流动的时间特性归纳为三类，即时间邻近性、周期性和趋势性。ST-ResNet使用三个残差网络分支分别对这些特性进行建模。
3. ST-ResNet动态地聚合上述三个网络的输出，为不同的分支和区域分配不同的权重。这种聚集进一步与外部因素(如天气)相结合。
4. 我们使用北京出租车的轨迹和气象数据，以及纽约自行车的轨迹数据来评估我们的方法。

四、ST-ResNet

该网络结构主要由4部分组成，分别提取时间邻近性、周期性、趋势性以及外部因素的影响。

在ST-ResNet的输出中，使用tanh作为最后的激活函数，其范围在-1到1之间。使用Min-Max归一化方法将数据缩放到$[-1;1]$。在评估中，我们将预测值重新缩放到正常值，并与ground truth进行比较。对于外部因素，我们使用one hot编码来转换元数据(即， Day Of Week, Weekend/Weekday)，节假日和天气条件为二元向量，利用Min-Max归一化将温度和风速等缩放为$[0;1]$。

使用Python中的 Theano和Keras构建模型。Conv1和所有剩余单元使用64个尺寸为3×3的滤波器，Conv2使用2个尺寸为3×3的滤波器进行卷积。批次大小为32。90%的训练集，剩下的10%作为验证集。在固定数量的epoch(例如10,100个epoch)的完整训练数据上训练模型。考虑前一天和上一周的数据。评价指标RMSE。