增强不同空间与时间粒度下的人群流预测
计算机视觉与模式识别
2022-03-16 v1 人工智能
机器学习
摘要
得益于物联网的普及，如今可以使用非常规方法（例如自行车租赁站中的自行车数量）近乎实时地感知人类移动。由于此类技术的扩散，过去几年中人类移动研究显著增长，其重要性驱动了从交通管理到公共安全与计算流行病学的广泛应用。一项日益突出的移动任务是人群流预测，即预测一个地理区域内各位置的聚合流入与流出流量。尽管已有若干深度学习方法来解决该问题，但它们的使用受限于特定类型的空间网格划分，且无法对其预测提供充分解释。我们提出 CrowdNet，一种基于图卷积网络的人群流预测方案。相较于最先进的方案，CrowdNet 可用于不规则形状的区域，并对预测的人群流提供有意义的解释。我们在公开数据上改变人群流的空间-时间粒度进行实验，以展示我们的模型相对于现有方法的优越性，并考察 CrowdNet 对缺失或含噪输入数据的可靠性。我们的模型是在设计可靠深度学习模型以预测并解释城市环境中人类位移方面向前迈出的一步。
引用
@article{arxiv.2203.07372,
title = {Enhancing crowd flow prediction in various spatial and temporal granularities},
author = {Marco Cardia and Massimiliano Luca and Luca Pappalardo},
journal= {arXiv preprint arXiv:2203.07372},
year = {2022}
}