DeepSTD: Mining Spatio-Temporal Disturbances of Multiple Context Factors for Citywide Traffic Flow

深度学习技术已被广泛应用于交通流量预测，其中考虑了潜在的常规模式以及多种上下文因素(如时间和天气)。然而，固有交通模式与多种干扰之间复杂的时空依赖关系尚未完全解决。文中提出了一种两阶段的端到端深度学习框架DeepSTD来发现时空干扰(STD)来预测城市范围内的交通流量。在STD建模阶段，提出一种STD建模方法，对不同区域函数引起的不同区域扰动和时空传播效应进行建模。在预测阶段，从历史交通流中剔除STD以增强对固有交通模式的学习，并结合预测时间区间的STD以考虑未来的干扰。在两个真实数据集上的实验结果表明，DeepSTD的性能优于现有方法。

 

 提出了一个两阶段的框架DeepSTD来预测城市范围内的交通流量。在STD建模阶段，首先计算每个区域中每个POI类别的固有影响因子(IIF);然后，将多个上下文因素对每个POI类别的扰动影响建模为扰动影响因子(disturbance influence Factor, DIF);然后，通过3D卷积神经网络(3D CNN)[42]将IIF和DIF相结合作为STD来建模扰动的时空传播效应;

在预测阶段，首先从历史交通流中消除STD的影响;然后，采用残差神经网络(ResNet)[41]学习底层流量模式

最后，将ResNet的输出与预测时间间隔的STD相结合，生成最终的预测结果。