用于全城人群流量预测的深度时空残差网络
人工智能
2017-01-11 v2 机器学习
摘要
预测人群流量对交通管理和公共安全具有重要意义，但这是一项受跨区域交通、事件和天气等许多复杂因素影响的极具挑战性的任务。在本文中，我们提出了一种基于深度学习的方法，称为 ST-ResNet，以共同预测城市中每个区域的流入和流出人群流量。基于时空数据的独特性质，我们设计了 ST-ResNet 的端到端结构。更具体地说，我们采用残差神经网络框架分别对人群交通的时间邻近性、周期性和趋势特性进行建模。针对每种特性，我们设计了一个残差卷积单元分支，每个单元对人群交通的空间特性进行建模。ST-ResNet 学习根据数据动态聚合这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。该聚合进一步与天气和星期几等外部因素相结合，以预测每个区域的最终人群交通流量。我们基于北京和纽约的两种人群流量对 ST-ResNet 进行了评估，发现其性能超越了六种知名方法。
引用
@article{arxiv.1610.00081,
title = {Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction},
author = {Junbo Zhang and Yu Zheng and Dekang Qi},
journal= {arXiv preprint arXiv:1610.00081},
year = {2017}
}
备注
AAAI 2017