利用深度时空残差网络预测城市范围的人群流动
人工智能
2017-01-11 v1
摘要
预测人群流动对交通管理和公共安全至关重要，且极具挑战性，因为它受许多复杂因素影响，包括空间依赖性（近处与远处）、时间依赖性（邻近性、周期性、趋势性）以及外部条件（如天气和事件）。我们提出一种基于深度学习的方法，称为 ST-ResNet，来同时预测城市每个区域的两类人群流动（即流入量和流出量）。我们基于时空数据的独特性质设计了 ST-ResNet 的端到端结构。具体而言，我们采用残差神经网络框架来建模人群交通的时间邻近性、周期性和趋势性。对于每种性质，我们设计一个残差卷积单元分支，每个分支建模人群交通的空间性质。ST-ResNet 学习基于数据动态聚合三个残差神经网络的输出，为不同分支和区域分配不同权重。该聚合进一步与外部因素（如天气和星期几）结合，以预测每个区域的最终人群交通流量。我们基于 Microsoft Azure 云开发了一个名为 UrbanFlow 的实时系统，为中国贵阳市提供人群流动监测与预测。此外，我们利用北京和纽约市 (NYC) 的两类人群流动进行了广泛的实验评估，结果表明 ST-ResNet 优于九个知名的基线方法。
引用
@article{arxiv.1701.02543,
title = {Predicting Citywide Crowd Flows Using Deep Spatio-Temporal Residual Networks},
author = {Junbo Zhang and Yu Zheng and Dekang Qi and Ruiyuan Li and Xiuwen Yi and Tianrui Li},
journal= {arXiv preprint arXiv:1701.02543},
year = {2017}
}
备注
21 pages, 16 figures. arXiv admin note: substantial text overlap with arXiv:1610.00081