PPT以及直播回放|交通·未来第2期《深度交通感知：从区域流量预测到在线OD预测》...

一、讲座信息

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

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

或公众号后台回复 “GitHub”

二、提纲

刘博士的研究方向是机器学习在智能交通场景中的应用，近几年主要关注以下任务：Crowd counting（人群/车辆群计数）、Multimodal road extraction（多模态的路网提取）以及Traffic state prediction（交通状态预测）。其中最后一项任务是本次讲座的主要内容。根据实际交通场景的不同，本次讲座主要涉及到三种交通状态下的预测：

（1）欧式空间下的区域流量预测（Grid-based flow）；

（2）欧式空间内任意两个区域之间的流量预测，即OD预测（OD demand)；

（3）非欧式空间下地铁的流量预测（Online OD ridership）。

三、主体内容

（1）Gird-based Flow Prediction

本篇论文主要从时间动态性、空间动态性和融合动态性三个角度出发设计模型。为了解决交通流量的空间动态性和时间动态性，作者提出了Attentive traffic flow machine(ATFM)模块。ATFM模块由三个部分组成，包括两个叠加的LSTM（用于对时序的建模）和空间的Attention机制（用于建模空间的动态性），联合以上三个部分可以实现对空间动态性和时间动态性显式建模。然后，利用ATFM模块构建序序列周期网络（SPN），网络中左边蓝色部分是序列表征学习模块，接收前几个时刻的流量数据，用于捕捉近期的流量变化趋势；右边的绿色部分是周期表征学习模块，接收前几天同一时刻的流量或天气数据，用于捕捉周期的变化模式；中间部分的时间变化融合模块用于动态融合序列表征和周期表征，在融合过程中，会分别对序列表征和周期表征赋予不同的权重r和1-r，权重值是通过整个网络的动态学习得到。融合完成后，用Conv去预测t+1时刻的流量。同时，论文还对网络进行了进一步扩展，使得网络可以完成长期的流量预测。

（2）Origin-destination demand prediction

目前，大多数交通预测的研究工作都是预测每个交通区域内的流量或者需求量，但是这种预测方式对于交通管理来说提供的信息有限。因此，预测区域之间的流量和需求量（即OD预测）就显得更有价值。

在这篇论文中，作者将OD的建模主要描述成利用上下文信息捕捉OD的需求模式。主要考虑了以下三种上下文信息：

（1）局部空间的上下文（即两个相邻的区域可能会有相似的需求模式）；

（2）全局相关性的上下文（两个区域之间即使相隔很远，可能也会有一定的相关性。例如如果均为居住区，那么它们的需求模式将会很类似）；

（3）时间演化的上下文（需求随时间变化，受到天气，节假日等因素的影响）。

基于以上考虑，作者设计了一个基于上下文的时空网络，由三个模块组成，每个模块负责捕捉以上三种中的一种特定上下文信息。刘博士对三个不同模块的构造原理和细节进行了详细的介绍和分析。

（3）Online origin-destination ridership

地铁系统属于非欧式的空间，刘博士首先分析了传统的建模方法以及不足，针对不足，提出了物理虚拟协同网络来对地铁站点以及和站点之间的流量进行预测。论文考虑了三种不同的点来对图网络进行建模：

（1）物理的拓扑结构；

（2）站点之间的流量相似性；

（3）站点间的流量相关性。

将三个建模好的图网络放到GRU内，通过Graph Conv GRU的使用，整个Graph Conv主可以完成局部上下文的学习，全局上下文信息由Full-connection GRU完成捕捉。最终得到一个协同的GRU模块，基于此模块构建了最后Sequence to sequence框架的网络。

最后，刘博士详细介绍了在线需求预测的相关内容。

四、下期预告

主题：基于实时WiFi-蓝牙检测数据的交通目标定位和出行模式甄别技术

主讲人：华南理工大学黄紫林（研三，毕业读博）

时间：2020年7月11号晚7点，具体时间请关注公众号后续通知。