目前越来越多深度学习算法被应用于城市计算领域,然而在欠缺一个统一的评估体系对模型性能进行测试的情况下,研究者很难去公平比较不同模型的性能优劣。为此北航计算机学院 BIGSCity 课题组提出 LibCity 工具库,一个全面、统一、可拓展的开源城市时空预测算法库,旨在为研究者提供一个可信的模型对比工具,并规范算法评估标准以及促进开源化进程。
LibCity 采用模块化框架结构,通过整合 30 多个时空数据集与 50 多个时空算法模型,覆盖了包括交通状态预测、路网匹配、轨迹位置预测等 9 类任务来支持城市场景演化规律挖掘,并向用户提供标准可信的算法评估功能。LibCity 的中文名为“阡陌”,取自陶渊明的《桃花源记》中的“阡陌交通,鸡犬相闻”。目前,LibCity 已经在 Github 开源,相关工作已经被收录入 ACM SIGSPATIAL 2021 会议中。
论文标题:
LibCity: An Open Library for Traffic Prediction
论文作者:
王静远(北航),姜佳伟(北航),蒋炆峻(北航),李超(北航),赵鑫(人大)
收录会议:
ACM SIGSPATIAL 2021
论文链接:
https://dl.acm.org/doi/10.1145/3474717.3483923
开源代码:
https://github.com/LibCity/Bigscity-LibCity
课题组介绍
BIGSCity 课题组是北京航空航天大学大学计算机学院下属的北航智慧城市兴趣组,其负责人为北京航空航天大学计算机学院王静远教授。BIGSCity 小组致力于研究机器学习与数据挖掘在城市科学、社会科学等领域的交叉应用技术,包括城市计算,时空数据挖掘,机器学习可解释性,以及 AI 在交通、健康、金融等领域的应用等。详细情况参见研究组主页:http://www.bigcity.ai。
交通预测问题介绍
1.1 背景与问题介绍
回顾我们的个人生活,你会发现我们每个人的日常生活都离不开交通大数据,下图中展示了一个人一天的生活的例子。这些生活中常用的 APP 的技术中,离不开的就是交通预测的相关任务,例如交通状况预测、POI 推荐、需求调度与预测、出行时间预测等等。
而交通预测,不仅仅在个人生活中存在应用。在城市治理上也有广泛的应用,例如拥堵治理、道路规划、重大活动管理、甚至于疫情防控。
交通预测问题的本质是一个带有时空附加信息的时间序列预测问题,设 代表 时刻的交通时空数据, 代表预测 时刻交通系统的某一状态, 为输入序列的长度, 为预测序列的长度,那么交通预测问题可以定义为用历史的 步数据对未来的 步数据进行预测,图示如下:
交通预测可以分为两个方面,一个是面向群体的预测,另一个是面向个体的预测。
1.2 群体交通预测
在交通状态建模时,从时间序列的角度,可以对时间序列的周期性、趋势性和邻近性进行建模,常用的方法有:
早期神经网络:MLP 多层感知机、DBP 深度置信网络、AE 自编码器
RNN-based:LSTM、BiLSTM、GRU、Seq2Seq
CNN-based:1D-CNN
Attention:RNN 与 CNN 的基础上,强化周期性
从空间的角度建模交通状态,常有两种结构ÿ