基于卷积的序列交叉网络的人口流量预测

最新推荐文章于 2024-04-01 19:07:52 发布

当交通遇上机器学习

最新推荐文章于 2024-04-01 19:07:52 发布

阅读量1k

点赞数 3

文章标签：机器学习人工智能 python 深度学习计算机视觉

本文链接：https://blog.csdn.net/zuiyishihefang/article/details/113209813

版权

1、文章信息

《A Sequential Convolution Network for Population Flow Prediction with Explicitly Correlation Modelling》。北京信息科学与技术国家研究中心 (BNRist) 发表在IJCAI 2020上的一篇文章。

2、摘要

人口流量预测是城市管理、交通调度等许多应用中最基本的内容之一。由于复杂的时空相关性，这是一项艰巨的任务。尽管近年来进行了许多研究，但他们未能同时有效地建模人口流动之间的空间相关性和时间变化。本文提出了基于卷积的顺序交叉网络（CSCNet）来解决这些难题。一方面，本文设计了一种基于CNN的序列结构，将不同时间的流量特征在不同的CNN层中逐步合并，同时对时空信息进行建模。另一方面，本文利用转移流量作为代理，以有效和明确地捕获不同类型人口流动之间的动态相关性。在4个数据集上的实验表明，CSCNet的预测误差比前沿的对比方法降低了7.7％-10.4％左右。

3、研究内容

给定历史的人口流量入\流量出流量X_i 和转移流量Y_i 预测 X_k

第i个时间段 H * W个网格的人口流量入和流量出流量：

第i个时间段一个网格区域 (h, w) 的人口流量入/流量出流量：

第i个时间段 H * W个网格的人口流量入和流量出流量：

R = H * W 代表区域总数

第i个时间段任意网格(m,n)的转移流量：

其中为一个网格区域，S为轨迹，i为第几个时间段。

图1 人口流量示例

4、模型

图2为本文提出的CSCNet模型，由三个部分组成：1）用于人口流量（流入/流出）特征提取和朴素预测的流量递归网（FRN）；2）用于人口转移流量建模的转移流量预测器（TFP）；3）特征交叉网（FCN）融合不同类型人口流量（流入/流出/转移流量）的特征，并显式地对其动态相关性进行建模。

图2 模型概述

基础功能单元

模型使用了三个基于CNN的标准功能单元：(1)局部特征提取；(2)特征融合；(3)预测器，如图3。这些都是基于3x3卷积单元和relu函数构建的。

图3 CSCNet的三个基础功能单元

（Local为短期时间步长，Global为具有多个时间步长的长期时间窗口）

流量循环网FRN

如图4，FRN引入周期性的融合单元群，使得每个融合单元专注建模特定时间步长的人口流量动特征。如图2，以顺序的人口流量的映射作为输入。FRN首先利用共享的局部提取单元提取每个时间步的空间特征，然后堆叠特征融合单元来顺序处理空间特征以获得全局特征的映射。最后，将全局特征映射通过预测器转换为人口流量映射预测。