《时空交通数据预测方法及应用》附讲座PPT以及直播回放

一、讲座信息

主题：时空交通数据预测方法及应用

主讲人：北京交通大学万怀宇老师

直播回放地址：https://www.bilibili.com/video/BV1Gi4y1V7zr

PPT下载地址：https://github.com/JinleiZhangBJTU/Transportation_with_Machine_Learning

点击阅读原文或公众号后台回复 “GitHub”

二、提纲

时空数据广泛存在于各个研究领域及实际场景中，本次讲座内容围绕时空交通数据预测方法及相关应用场景展开，主要由时空数据概述、时空栅格数据预测、时空图数据预测、时空轨迹数据预测以及时空交通大数据应用场景实例五个部分组成。

三、背景

万老师首先列举了时空数据在铁路、公路、航线网络、城市轨道等交通场景的实例，同时说明了基站蜂窝、互联网空间和人体脑区域空间中由于具有空间方位关系，随着时间的发展变化都会逐渐演变成时空数据的现象。

现实交通场景的数据具有栅格、图、路径三种不同的空间结构，随着时间维度的加入，可以形成时空栅格数据、时空图数据和时空轨迹数据这三类典型的时空数据类型。不同的时空数据具有各自不同的特点和处理方法：

时空栅格数据——比较规整，是一种欧式数据，可以用二维或者三维的卷积方法；

时空图数据——图结构的数据，使用图的办法去处理，例如图神经网络；

时空轨迹数据——是用户的状态转移，可以使用马尔科夫决策过程、深度生成模型去做预测或者分析。

时空数据预测任务面临以下三方面的挑战：

四、主体内容

接下来，万老师分别从时空栅格数据、时空图数据和时空轨迹数据三方面全面介绍了自己团队开展的相关工作。

（1）时空栅格数据预测

时空栅格数据问题是指给定网格上所有节点在过去一段时间的全部历史变量值，预测所有节点在未来某一时刻的交通量。在时空栅格数据预测任务中，如何捕获栅格数据的时空相关性是关键所在。

他们提出了ST-3DNet模型，将3D卷积引入到时空数据的预测当中，完成时空数据相关性捕获的目的。该模型主要分成两个部分，一个是Closeness，表示临近性的组件，另一个是Weekly period，用于捕获周期性的组件，通过融合以上两个组件做监督学习，完成预测目的。其中，3D卷积作为核心部分，是为了捕获时空相关性；3D卷积之上的残差可以进一步捕获空间相关性；最上层的Rc称为校准层/整流层，相当于静态的attention。通过Closeness组件和Weekly period组件的融合，以及其中的不同模块，可以完成时空的相关性、异质性和动态性的建模过程。

实验部分分别从数据集、基准方法以及评价指标三个方面对论文的实验结果进行了分析。将ST-3DNet的实验结果与现有模型的结果进行了比较，显示出较大的提升，同时还分析了不同时间间隔预测结果的情况，发现了预测时间越长，该模型的优势会逐渐增大。另外还提出了关于3D空洞卷积等探索性研究方向的思考。

（2）时空图数据预测

时空图数据预测是指给定时空图上所有在过去的一段时间的全部历史变量值，预测所有节点在未来一段时间内的交通量序列。在空间维度上，同一时刻不同节点对关注的中心节点有不同的影响；在时间维度上，同一节点随着时间的推移对关注的中心节点的影响也不同；在时空维度上，不同节点在不同时间对关注的中心节点的影响各不相同。因此，如何捕获图数据的时空相关性是关键任务。

他们提出的ASTGCN模型分别在小时、日、周时间段上去捕获对应的时空相关性，在每一个时间段都设置了3个相同结构的组件。其中空间相关性捕获使用了图卷积方法；时间相关性是通过沿时间轴做普通的一维卷积以及对不同时间段组件的融合来完成捕获的；另外，分别在时间和空间维度上都引入了注意力机制，目的是为了捕获时空的动态性，即时空的异质性。在分享中，万老师详细介绍了该模型的时空注意力机制（Satt + TAtt）模块和时空图卷积块（GCN+Conv）模块，并且就此模型的缺陷提出了局部时空子图的改进方案，完成真正意义上的时空相关性的同时捕获。

（3）时空轨迹数据预测

当前常见的轨迹预测任务主要为用户的下一个位置预测和POI推荐。万老师介绍了与滴滴合作的乘客未来出行的OD预测项目，该预测任务具体内容是基于用户历史订单数据，给定用户的一段历史出行OD序列，预测用户未来24小时内从某出发地O到目的地D的概率。乘客出行的OD预测属于微观预测，因此需要综合考虑个性化、场景化和动态性等微观层面因素进行建模。

在模型设计过程中，主要思想是依据用户个性化信息、用户历史OD序列、候选OD构建了用户画像模块、出行场景模块和出行模式模块，然后放入分类器中对整体求联合概率。其中，用户画像模块显式建模用户的偏好，出行场景模块捕获用户出行场景信息，出行模式模块捕获用户的出行（序列转移）模型。

最后，万老师介绍了时空大数据在民航、公路、城市交通等领域的实际应用案例，体现了时空大数据潜在的应用价值。

五、下期预告

主题：深度交通感知: 从区域流量预测到在线OD预测

主讲人：中山大学刘凌波博士

时间：2020年7月4号，具体时间请关注公众号后续通知。