新冠疫情（COVID-19）中的深度学习: 城市交通恢复活力预测

数据来源：滴滴盖亚计划
论文地址：Deep learning in the COVID-19 epidemic: A deep model for urban traffic revitalization index
开源代码： https://github.com/qdu318/DeepTRI.git

简介：

交通振兴指数的研究可以为城市管理、防疫、恢复工作和生产等政策的制定和调整提供支持 。本文提出了一个预测城市交通恢复活力指数(DeepTRI)的深度模型。DeepTRI建立了covid-19流行病和交通恢复活力指数的数据模型 。这项工作使用了29个城市的位置信息构成了图的拓扑结构。本文提出的空间卷积层捕获了空间相关特征图结构的特征。专用图数据融合模块按不同比例对两种数据进行分布和融合，增加数据的空间相关趋势 。为了降低计算过程的复杂性，时态卷积层用多层次的方法取代了传统递归神经网络的门控递归机制。它利用其膨胀因子随凸函数而变化的膨胀卷积来控制接受场的动态变化，并利用因果卷积到大量挖掘数据的历史信息，以优化长期预测的能力。在DeepTRI和三个基线(传统的递归神经网络， 普通时空模型和图时空模型)显示了DeepTRI在评估指数中的优点，并解决了两个欠拟合问题(边缘值欠拟合和局部峰值欠拟合）。

算法设计：