设为首页|收藏本站|
发帖
登录 注册
西兔生活网 › 美洲华人圈 › 纽约华人圈 › 用于全市人群流动预测的深度时空残差网络 ...
回复 发帖
返回列表 发新帖
开启左侧

[问答] 用于全市人群流动预测的深度时空残差网络

[复制链接]
12025 1
上miss 发表于 2022-3-20 20:25:00 | 只看该作者 打印 上一主题 下一主题
 
1、 文章信息

《Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction》。这是2017年AAAI大会的一篇会议论文，作者是微软研究院的张俊波。
2、 摘要

预测交通流量对交通管理和公共安全非常重要，而且非常具有挑战性，因为它受到许多复杂因素的影响，如地区间交通、事件和天气。
本文提出了一种基于深度学习的方法，称为时空残差网络ST-ResNet，用于同时预测城市每个区域的流入和流出客流量。基于时空数据的独特性质，我们设计了一个端到端的时空数据网结构。更具体地说，我们使用剩余神经网络框架对人群流量的时间接近性、周期和趋势属性建模。对于每个属性，设计了一个残差网路分支，每个分支分别对人群流量的空间属性建模。ST-ResNet动态整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重。整合结果进一步与外部因素相结合，如天气和一周中的某一天，以预测每个地区最终的人群流量。在北京和纽约两种人群流上的实验表明，该方法优于六种著名的方法。
3、 介绍

人群流动概念

用于全市人群流动预测的深度时空残差网络 第1张图片
本文预测两种类型的人群流动(Zhang et al. 2016):流入和流出，如图1(a)所示。流入是指在一定时间间隔内从其他地方进入某一地区的人群的总流量。流出是指在给定的时间间隔内，从一个区域前往其他地方的人群的总流量。
图1(b)给出了两种人群流入流出客流量的例子。用移动电话信号来测量行人的数量，显示进出r2的人数分别为(3,1)。同样，使用车辆的GPS轨迹，进出流分别为(0,3)。
难点
（1）空间依赖性。区域的流入受到附近区域和远处区域流出的影响。同样，区域流出也会影响其他区域的流入。区域的流入也会影响其本身的流出。
（2）时间依赖性。一个地区的人群流动受到最近时间间隔的影响，无论是近的还是远的。例如，上午8点发生的交通拥堵会影响到上午9点。此外，早高峰时间的交通状况可能在连续工作日相似，每24小时重复一次。此外，随着冬天的到来，早高峰时间可能会逐渐推迟。当气温逐渐下降，太阳升起的时间越来越晚，人们起床的时间也越来越晚。
（3）外部的影响。一些外部因素，如天气条件和事件可能会极大地改变城市不同区域的人群流动。
4、 概念回顾

人群流动问题的公式

用于全市人群流动预测的深度时空残差网络 第2张图片
在本研究中，我们根据经度和纬度将城市划分为I×J网格地图，网格表示区域，如图2(a)所示。
在时间间隔t时人群的流入和流出分别定义为：

用于全市人群流动预测的深度时空残差网络 第3张图片
深度残差学习
深度残差学习允许卷积神经网络具有100层的超深层结构，甚至超过1000层。在形式上，具有恒等映射的残差单元被定义为:

用于全市人群流动预测的深度时空残差网络 第4张图片
5、 深度时空残差网络


用于全市人群流动预测的深度时空残差网络 第5张图片
图3展示了ST-ResNet的体系结构，它由四个主要部分组成，分别对时间紧密性、周期、趋势和外部影响进行建模。
如图3右上方所示，我们首先使用概念介绍中的方法，将城市中每个时间间隔的流入和流出分别转换成一个两通道的图像矩阵。然后我们将时间轴划分为三个片段，分别表示最近的时间、较近的时间和较远的时间。然后，将每个时间片段的时间间隔的两通道流矩阵分别输入到前三个组件中，分别建模上述三个时间属性:紧密性、周期和趋势。
前三个部分与卷积神经网络和剩余单元序列共享相同的网络结构。这种结构捕获了附近区域和远处区域之间的空间依赖性。
在外部组件中，我们从外部数据集中手动提取一些特征，如天气状况和事件，并将它们输入到一个两层全连接的神经网络中。
对前三个分量的输出结果赋予不同的权重，并基于参数矩阵进行融合。然后将融合的结果与外部组件的结果聚合。最后，聚合结果被Tanh函数映射为[−1,1]范围中，在反向传播学习过程中，这比标准逻辑函数的收敛速度更快。
5.1 前三个组成部分介绍

前三个分量(紧密性、周期、趋势)具有相同的网络结构，网络结构由卷积和残差单元两个部分组成，如图4所示。

用于全市人群流动预测的深度时空残差网络 第6张图片
如图4(a)所示，有三个多层次的特征图，它们通过一些卷积连接在一起。我们发现，高级特征地图中的一个节点依赖于中级特征地图的九个节点，这些节点依赖于低级特征地图中的所有节点(即输入)。这意味着一个卷积自然地捕捉空间上的邻近相关性，而一堆卷积可以进一步捕捉远处甚至全市的相关性。
要对全市范围的依赖关系建模(即高层的每个节点都依赖于输入的所有节点)，则需要15个以上连续的卷积层。为了解决这个问题，我们在我们的模型中使用了残差学习。
5.2 外部组件的结构


用于全市人群流动预测的深度时空残差网络 第7张图片
交通流可能受到许多复杂的外部因素的影响，如天气和事件。从图5(a)可以看出，节假日期间(中国春节期间)的人流量与平时有显著差异。图5(b)显示，与后一周的同一天相比，暴雨使办公区的人流量大幅减少。
5.3 融合

在本节中，我们将讨论如何融合图3中的四个组件。首先采用基于参数矩阵的融合方法对前三个分量进行融合，然后再与外部分量进行融合。
我们将图3的前三个组成部分(即接近度、周期、趋势)融合如下：

用于全市人群流动预测的深度时空残差网络 第8张图片
这里，我们直接将前三个组件的输出与外部组件的输出合并：

用于全市人群流动预测的深度时空残差网络 第9张图片
我们的ST-ResNet可以通过最小化预测的流矩阵和真实流矩阵之间的均方误差来训练从三个流矩阵序列和外部因素特征来预测 用于全市人群流动预测的深度时空残差网络 第10张图片 :

用于全市人群流动预测的深度时空残差网络 第11张图片
6、 实验结果

数据集
出租车数据:轨迹数据是北京出租车GPS数据和气象数据，从2013年7月1日至2013年3月30日、2014年3月1日至2014年6月30日、2015年3月1日至2015年6月30日、2015年11月1日至2016年4月10日四个时间间隔。利用定义2，我们得到了两种类型的人群流动。我们选择最近四周的数据作为测试数据，之前的所有数据作为训练数据。
自行车数据:轨道数据取自2014年4月1日至9月30日纽约市自行车系统。行程数据包括:行程持续时间、起止站号、起止时间。其中，最后10天作为测试数据，其余10天作为训练数据。
基线模型
HA、ARIMA、SARIMA、V AR、ST-ANN、DeepST
数据预处理
在ST-ResNet的输出中，我们使用tanh作为我们的最终激活(见Eq. 5)，其范围在-1到1之间。这里，我们使用最小-最大归一化方法将数据扩展到范围[−1,1]。在评估中，我们将预测值与真实值进行对比，重新缩放到正常值。对于外部因素，我们使用onehot编码将元数据、假日和天气条件转换为二进制向量，并使用Min-Max归一化将温度和风速缩放到范围[0,1]。
模型超参数
Conv1和所有剩余单元的卷积使用大小为3 × 3的64个滤波器，而Conv2使用大小为3 × 3的2个滤波器的卷积。批量大小为32。我们选择90%的训练数据来训练每个模型，剩下的10%作为验证集，根据最佳验证的分数来提前停止我们对每个模型的训练算法。然后，我们继续在完整的训练数据上训练模型，训练一个固定数量的epoch(例如10、100个epoch)。其中p和q分别被经验固定为一天和一周。对于这三个相关序列的长度，我们设它们为:lc∈{3,4,5}，lp∈{1,2,3,4}，lq∈{1,2,3,4}。
评价指标

用于全市人群流动预测的深度时空残差网络 第12张图片
出租车数据集的结果

用于全市人群流动预测的深度时空残差网络 第13张图片
我们首先与其他6个模型进行比较，如表2所示。我们给出了7种不同层次、不同因素的ST-ResNet变量。以L12-E为例，它考虑了所有可用的外部因素，有12个剩余单元，每个剩余单元由两个卷积层组成。我们观察到这7个模型都比6个基线好。与之前最先进的模型相比，L12-E-BN将误差减少到16.69，显著提高了精度。
自行车数据集的结果

用于全市人群流动预测的深度时空残差网络 第14张图片
表3显示了我们的模型和其他基线的结果。我们采用共4个残基ST-ResNet，将元数据视为DeepST等外部特征。ST-ResNet相对于这些基线的RMSE低14.8%到37.1%，表明我们提出的模型在其他流量预测任务上具有良好的泛化性能。
7、 创新点

ST-ResNet利用基于卷积的残差网络来模拟城市中任意两个区域之间的远近空间依赖关系，同时确保模型的预测精度不受神经网络的深层结构的影响。
我们将人群流动的时间特性归纳为三种类型，即时间接近性、周期和趋势。ST-ResNet分别使用三个残差网络对这些性质进行建模。
ST-ResNet动态聚合上述三个网络的输出，并为不同的分支和地区分配不同的权值。这种聚集进一步与外部因素(如天气)结合。
Attention

如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！


上一篇：【SUP好鞋推荐】年度重磅联名|KAWS x AJ4 引爆鞋市
下一篇：纽约有哪些值得一去的博物馆？
标签：纽约微软研究院2017年交通管理会议论文
@
免
责
声
明
1.西兔生活网 CTLIVES 内容全部来自网络;
2.版权归原网站或原作者所有;
3.内容与本站立场无关;
4.若涉及侵权或有疑义，请点击“举报”按钮，其他联系方式或无法及时处理。
举报

关联主题
回复

使用道具 举报

 

精彩评论1

正序浏览
跳转到指定楼层
沙发
su1185 发表于 2022-3-20 20:25:17 | 只看该作者
 
做这个研究数据哪里来，如果数据得不到，那就是那些研究员自己跟自己玩
回复 支持 反对

使用道具 举报

 
返回列表
高级模式
B Color Image Link Quote Code Smilies
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

上miss白金会员

0关注

5粉丝

465帖子

热门图文
热门帖子
排行榜
  • 日
  • 周
  • 月
活跃网友
返回顶部快速回复上一主题下一主题返回列表APP下载手机访问
Copyright © 2016-2028 CTLIVES.COM All Rights Reserved.  西兔生活网  小黑屋| GMT+8, 2024-5-21 11:13