读论文：DNN-Based Prediction Model for Spatio-Temporal Data

a44267113

已于 2022-11-01 22:32:57 修改

阅读量646

点赞数 1

文章标签： dnn 人工智能

于 2022-10-31 18:44:54 首次发布

本文链接：https://blog.csdn.net/a44267113/article/details/127583211

版权

标题: 基于DNN的时空数据预测模型
作者: Junbo Zhang, Y u Zheng, Dekang Qi, Ruiyuan Li, Xiuwen Yi

文章目录

==Abstract==
==Introduction==
==贡献==
==综述==
==总结==
==未来展望==

Abstract

位置采集和无线通信技术的进步导致了时空（ST）数据的广泛使用，而这些数据都具有独特的空间属性（即地理层次和距离）和时间属性（即接近性、周期和趋势）。为此，本文提出了一种基于深度学习的时空数据预测模型（DeepST），并利用它来进行实时人流预测；

Index Term——Deep Learning; Spatio-Temporal Data; Prediction.

Introduction

ST数据的独特属性：
1)空间属性，由地理层次和距离组成。首先，地理层次较高的位置具有较粗的颗粒度。其次，两个地点之间有一个地理距离，它可以衡量它们之间的相关性；
2)时间属性，由接近度、周期和趋势组成。每个实例的时间戳让我们能够按时间顺序来排序，而相邻的时间戳通常比远处的时间戳有更高的相似性。此外，ST数据通常有一定的周期性模式，以一定的频率重复出现，比如早晚高峰等；

学习ST数据并对其做出准确预测对于一个城市来说有着重大的意义。但是想要同时掌握其空间和时间属性并非一件易事。为此，本文提出了一种DNN的的预测模型（名为DeepST），其中包括两个关键部分：空间-时间和全局；

贡献

本文为时空数据设计了一个新的深度学习架构，并应用各种专业知识来处理ST数据；
将该框架应用在了城市人流预测上，并开发出了对应的系统来实现该功能；

综述

一、系统

1.1 系统框架

系统的框架如图1所示：

我们的框架有三个主要部分：离线训练、在线预测和网站监控；在离线训练中，从一个城市收集到的轨迹（如出租车）被送入 "计算流量 "模块，该模块输出两种类型的流量（见定义2）。然后，这些历史流量被用来学习DeepST模型。在在线预测中，从计算实时轨迹的人群流量开始，学习到的DeepST模型被用来预测未来的流量，这些流量在以后与实时流量串联起来。在最后一个部分，为了直观地监测，我们从实时和预测的人群流量中生成热图，可以显示城市的全球状况。同时，单个区域的曲线显示更详细的流量

1.2 系统演示

在这里插入图片描述
一下子找不到该网站，先不找了

二、模型

2.1 ST预测问题的表述

定义1：本文根据经度和纬度将一个城市划分为一个M×N的网格地图，其中一个网格代表一个区域；
定义2：在这项研究中，我们使用人群流动作为案例的测量。对于位于第m行和第n列的网格（m，n），第k个时间戳的两种类型的人群流动，即流入、流出，分别定义为：

其中T r_k：g₁→g₂→…→g_|Trk|表示第k个时间戳的轨迹；g_i表示地理空间坐标；g_i∈（m，n）表示点g_i位于网格（m，n）内；|·|表示一个集合的基数；

在每个网格中存在Q个随时间变化的测量值。因此，任何时候的观测都可以用一个张量X∈R^Q×M×N来表示；

问题1：给出历史观测值X_k，其中k=0,1,…,t-1，来预测X_t；

2.2 DeepST

图3显示了DeepST的结构，它由两个部分组成：时空部分和全球部分；

将所有的历史观测数据输入到时空部分。根据时间属性，我们选择不同的时间戳，并将其串联在一起，分别建立接近度、周期和趋势模型。接近度、周期和趋势的输出则是通过早期融合进一步合并，再将其送入若干卷积层；
在全局组件中，我们首先得到预测时间t的元数据，并将其转化为二进制矢量，然后将其送入一个包含一个（或几个）全连接层的块中。
上述组件的输出通过后期融合和Tanh激活函数进行合并

流程：

1.获得时间上的依赖性：在ST预测中，由于输入有可能是一个很长的观察序列。因此在一个单一的模型中学习时间和空间属性是十分困难的。所以我们需要选择那些依赖性较高的时间戳来减少输入量，其属性有：1）时间上的接近性；2）周期；3）趋势；
2.卷积：利用卷积算子来捕捉空间依赖性。图4显示了自然提供捕捉空间依赖性能力的卷积：

我们发现，一个卷积层可以很好地描述空间区域的近距离依赖性，两个卷积层可以进一步描述远距离依赖性。这意味着更多的卷积层可以捕捉到更远的依赖关系，甚至是整个城市的依赖关系

接近度、周期和趋势部分都被送入相似的卷积层。通过卷积，它们的输出分别为：

其中∗表示卷积算子；f是激活函数；H⁽¹⁾_c , H⁽¹⁾_p , H⁽¹⁾_s分别是第一卷积层对接近、周期、趋势序列的输出

1. 融合：根据融合时间的不同，DNN中有两种常见的类型：早期融合和晚期融合。它们具有不同的功能，将在我们的模型中用于融合不同类型的ST数据：
  (1) 早期融合：采用早期融合将接近性、周期性和趋势性结合起来，然后再进行卷积操作：

其中W⁽²⁾_·以及B⁽²⁾就是两个参数；

在这之后可以在其上堆叠更多的卷积层，本文则是采用了4个卷积层；
(2) 获取元数据以及晚期融合：后期融合更善于融合不同领域的数据。元特征可以提供一些全局信息，如星期、气象条件，这对预测人流和空气质量总是有益的。此处，文章将元数据作为时间戳t的全局特征，让G_t是t处的元特征向量，后期融合可以写成：