【论文泛读08】基于深度时空残差网络的城市人群流动预测

贴一下汇总贴：论文阅读记录

论文链接：《Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction》

一、摘要

预测人群流量对交通管理和公共安全具有重要意义，且具有很大的挑战性，因为它受到许多复杂因素的影响，如地区间的交通、事件和天气。我们提出了一种基于深度学习的方法，称为ST-ResNet，用于对城市每个区域的人群流入和流出进行综合预测。基于ST-ResNet特有的时空数据特性，设计了一种端到端ST-ResNet结构。更具体地说，我们使用残差神经网络框架来建模人群交通的时间封闭性、周期和趋势特性。对于每个属性，我们设计了一个剩余卷积单元的分支，每个分支都模拟了人群交通的空间属性。ST-ResNet学习根据数据动态聚合三个残差神经网络的输出，为不同的分支和区域分配不同的权值。该聚合进一步与外部因素结合，如天气和星期几，以预测每个地区最终的人群交通情况。在北京和纽约的两种人群流动实验表明，所提出的ST-ResNet方法优于六种知名的方法。

文章主要内容

提出了一种基于深度学习的方法，称为时空残差网络ST-ResNet，来同时预测城市中每个区域的流入和流出客流量。设计了一个残差卷积单元的分支，每个残差卷积单元对拥堵流的空间特性进行建模，ST-ResNet动态整合三个残差神经网络分支的输出，为不同的分支和区域分配不同的权重。

二、结