关键词：

文章目录

• 摘要
• 简介
• 预备知识
• 人流量问题的制定
• • 深度残差学习
  • 深度时空残差网络
  • 前三个成分的结构
  • 外部组件的结构
• 融合
• 算法和优化
• 实验
• • 设置
  • 结果TaxiBJ
  • 结果BikeNYC
• 相关工作
• 总结及未来工作

摘要

  人群流量预测对交通管理和公共安全具有重要意义，同时也受到跨区域交通、事件、天气等复杂因素的影响，具有很大的挑战性。我们提出了一种基于深度学习的方法，称为ST-ResNet，用来集体预测城市每个区域的人群流入和流出。基于时空数据的独特属性，设计了一种端到端的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距离、周期和趋势属性。针对每个特性，我们设计了残差卷积单元的分支，每个分支都模拟了人群交通的空间特性。ST-ResNet学会基于数据动态聚合三个残差神经网络的输出，给不同的分支和区域分配不同的权重。聚合进一步结合外部因素，如天气和星期几，预测每个地区的人群最终流量。对北京和纽约两种类型的人群流动的实验表明，提出的ST-ResNet优于6种已知的方法。

简介

  预测城市的人流量对交通管理和公共安全具有重要意义(Zheng et al. 2014)。例如，在2015年的上海跨年庆典上，大量人群涌入一个狭长地带，导致了灾难性的踩踏事件，造成36人死亡。2016年7月中旬，数百名“精灵宝可梦Go”玩家跑过纽约中央公园，希望抓住一个特别罕见的数字怪物，导致那里发生了危险的踩踏事件。如果可以预测一个地区的人流量，就可以通过使用紧急机制，如实施交通管制、发出警告或提前疏散人员，来减轻或防止这种悲剧。

  本文预测了两种人群流动类型(Zhang et al. 2016):流入和流出，如图1(a)所示。流入是指在一定时间间隔内从其他地方进入一个地区的人群的总流量。外流指的是在一定时间间隔内离开一个地区前往其他地方的人群的总交通流量。这两种流动都追踪人群在地区之间的转移。了解它们对风险评估和交通管理非常有益。资金流入/流出

  可以通过行人数量、附近道路上行驶的汽车数量、乘坐公共交通系统(如地铁、公共汽车)的人数来衡量，如果有数据的话，可以将所有这些综合起来衡量。图1(b)给出了一个例子。我们可以用手机信号来测量行人的数量，可见r2的流入和流出分别为(3;1)分别。同理，利用车辆的GPS轨迹，两种流类型分别为(0;3)。

预备知识

在本节中，我们将简要回顾人流量预测问题(Zhang et al. 2016;Hoang, Zheng, and Singh 2016)，并介绍了深度剩余学习(He et al. 2016)。

人流量问题的制定

定义1 (Region (Zhang et al. 2016))根据不同的粒度和语义，位置有很多定义。在本研究中，我们根据经纬度将一个城市划分为I \\times J网格地图，其中网格表示一个区域，如图2(a)所示。

定义2(流入/流出(Zhang et al. 2016))设$\mathbb{P}$是$t^{\text{th}}$时间间隔上的轨迹集合。对于位于第$i^{\text{th}}$行和第$j^{\text{th}}$列的网格(i, j)，在时间间隔$t$处人群的流入和流出分别定义为

$$\begin{array}{rl}{x}_t^{in,i,j}& =\sum _{Tr\in \mathbb{P}}\left|k>1\mid g_{k-1}\notin (i,j)\wedge g_k\in (i,j)\right|\\ x_t^{\text{out },i,j}& =\sum _{Tr\in \mathbb{P}}\left|k\ge 1\mid g_k\in (i,j)\wedge g_{k+1}\notin (i,j)\right|\end{array}$$

其中$\mathrm{Tr}$: $g_1\to g_2\to \cdots \to g_{|Tr|}$是$\mathbb{P}$中的轨迹，$g_k$是地理空间坐标;$G_k\in (i,j)$表示点$G_k$位于网格(i, j)内，反之亦然;$|\cdot |$表示集合的基数。

在$t^{\text{th}}$时间区间，所有I \\times J区域的流入和流出可以表示为一个张量${\mathbf{X}}_{t}in{\mathbb{R}}^{2\times I\times J}where{\left({\mathbf{X}}_t\right)}_{0,I,J}=x_t^{In,I,J}，{\left({\mathbf{X}}_t\right)}_{1,I,J}=x_t^{\text{out}，I,J}$。流入矩阵如图2(b)所示。

形式上，对于一个由$I\times J$网格图表示的空间区域上的动力系统，随着时间的推移，每个网格中有两种类型的流动。因此，任何时刻的观测可以用一个张量$\mathbf{X}\in {\mathbb{R}}^{2\times I\times J}$表示。

问题1给定历史观察${\mathbf{X}}_t\mid t=0，\cdots ,n-1$，预测${\mathbf{X}}_n$

深度残差学习

深度残差学习(He et al. 2015)允许卷积神经网络具有100层甚至超过1000层的超深结构。该方法已经在多个具有挑战性的识别任务中显示了先进的结果，包括图像分类、目标检测、分割和定位(He et al. 2015)。

形式上，具有标识映射的残差单元(He et al. 2016)定义为:

$${\mathbf{X}}^{(l+1)}={\mathbf{X}}^{(l)}+\mathcal{F}\left({\mathbf{X}}^{(l)}\right)$$

其中${\mathbf{X}}^{(l)}和{\mathbf{X}}^{(l+1)}$分别为$l^{th}$残差单元的输入和输出;\\mathcalF是残差函数，例如，两个$3\times 3$卷积层的堆栈(He et al. 2015)。残差学习的核心思想是学习关于${\mathbf{X}}^{(l)}$的加性残差函数$\mathcal{F}$ (He et al. 2016)。

深度时空残差网络

图3展示了ST-ResNet的体系结构，它由四个主要组件组成，分别建模时间紧密度、周期、趋势和外部影响。如图3的右上部分所示，我们首先使用定义1和定义2中介绍的方法，将流经城市的每个时间间隔的流入和流出分别转化为两个通道的类图像矩阵。然后我们将时间轴分成三个片段，分别表示最近的时间、近历史和遥远的历史。然后将每个时间片段中区间的2通道流矩阵分别输入前三个组件，分别对上述三个时间属性进行建模:接近度、周期和趋势。前三个组成部分与卷积神经网络共享相同的网络结构，然后是残差单元序列。这种结构体现了远近区域之间的空间依赖性。在外部组件中，我们从外部数据集中手动提取一些特征，如天气条件和事件，将它们输入到一个两层完全连接的神经网络中。将前三个分量的输出融合为基于参数矩阵的$X_{Res}$，对不同区域不同分量的结果赋予不同的权重。$X_{Res}$与外部组件$X_{Ext}$的输出进一步集成。最后，聚合映射到[−1;1]，它在反向传播学习过程中产生比标

用于交通预测的时空交互动态图卷积网络

...线规划和流量检测都是至关重要的。虽然目前提出了许多时空分析方法，但在同步捕捉交通数据的时空依赖性方面仍有不足。此外，大多数方法都忽略了道路网络节点之间随着时间演变而产生的隐藏动态关联。我们提出... 查看详情

深度学习中的网络退化是什么？残差网络resnet中的恒等映射是什么？

深度学习中的网络退化是什么？残差网络ResNet中的恒等映射是什么？目录深度学 查看详情

简单有效的预测网络

...滨工业大学讲师研究方向|智能运维本文解读了一种新的深度无监督领域自适应算法，即深度域不变性残差LSTM（DeepresidualLSTMwithDomain-invariance）。从功能上讲，深度域不变性残差LSTM是一种面向强噪声、领域差异的多... 查看详情

残差网络

...域被广泛的应用。ResNet可以说是过去几年中计算机视觉和深度学习领域最具开创性的工作,有效的解决了随着网络的加深，出现了训练集准确率下降的问题，如下图所示：做过深度学习的同学应该都知道，随着网络层数的增加而... 查看详情

r语言实战应用精讲50篇（二十五）-时空数据统计模型：确定性预测模型

前言本章的主要目的是详细讨论时空统计建模的三个目标：在给定时空数据的空间新位置进行预测用时空数据进行参数推断预测未来的新值我们还强调了在我们的预测、参数估计和预测中量化不确定性的重要性。我们证明了时空... 查看详情

论文泛读resnet：深度残差网络(代码片段)

【论文泛读】ResNet：深度残差网络文章目录【论文泛读】ResNet：深度残差网络摘要Abstract介绍Introduction残差结构的提出残差结构的一些问题深度残差网络实验结果ResNet的探究与先进的模型比较在CIFAR-10进行探究在PASCAL和MSCO... 查看详情

resnet：视觉跟踪中的应用

...考技术ASiamFC跟踪方法取得了很大的成功，同时也促进了深度学习在跟踪领域的发展。我们知道SiamFC采用的骨干网络是AlexNet，使用该网络来提取图像特征。AlexNet最早实在图像识别任务中被提出，第一次证实了卷积网络在CV领域的... 查看详情

基于深度残差收缩网络的故障诊断

...目：Deepresidualshrinkagenetworksforfaultdiagnosis题目翻译：基于深度残差收缩网络的故障诊断期刊：IEEETransactionsonIndustrialInformatics面向问题：强噪声（或冗余信息繁多）创新：①在深度残差网络中引入软阈值化，②并且自动设置阈值本... 查看详情

深度残差收缩网络：实验验证

　　实验部分将所提出的两种深度残差收缩网络，即“通道之间共享阈值的深度残差收缩网络(DeepResidualShrinkageNetworkswithChannel-sharedThresholds，简称DRSN-CS)”，和“逐通道不同阈值的深度残差收缩网络(DeepResidualShrinkageNetworks... 查看详情

残差网络

...）为什么残差学习的效果会如此的好？与其他论文相比，深度残差学习具有更深的网络结构,此外，残差学习也是网络变深的原因？为什么网络深度如此的重要？解：一般认为神经网络的每一层分别对应于提取不同层次的特征信... 查看详情

TensorFlow 在生产中用于高流量应用程序中的实时预测 - 如何使用？

】TensorFlow在生产中用于高流量应用程序中的实时预测-如何使用？【英文标题】：TensorFlowinproductionforrealtimepredictionsinhightrafficapp-howtouse?【发布时间】：2016-05-2616:26:50【问题描述】：在高流量应用程序中使用TensorFlow进行实时预测... 查看详情

深度学习在视频多目标跟踪中的应用综述

...经典的指标完整的MOT指标ID分数2.3、基准数据集3、MOT中的深度学习3.1、深度学习中的检测步骤3.1.1、FasterR-CNN3.1.2、SSD3.1.3、Otherdetectors3.1.4、cnn在检测步骤中的其他用途3.2、深度学习在特征提取和运动预测中的应用3.2.1、自动编码... 查看详情

深度学习在视频多目标跟踪中的应用综述

...经典的指标完整的MOT指标ID分数2.3、基准数据集3、MOT中的深度学习3.1、深度学习中的检测步骤3.1.1、FasterR-CNN3.1.2、SSD3.1.3、Otherdetectors3.1.4、cnn在检测步骤中的其他用途3.2、深度学习在特征提取和运动预测中的应用3.2.1、自动编码... 查看详情

手把手教你：基于深度残差网络（resnet）的水果分类识别系统(代码片段)

...项目简介本文主要介绍如何使用python搭建：一个基于深度残差网络（ResNet）的水果图像分类识别系统。项目只是用水果分类作为抛砖引玉，其中包含了使用ResNet进行图像分类的相关代码。主要功能如下：数据... 查看详情

深度神经网络在量化交易里的应用之二--用深度网络(lstm)预测5日收盘价格

　　  距离上一篇文章，正好两个星期。这边文章9月15日16：30开始写。可能几个小时后就写完了。用一句粗俗的话说，“当你怀孕的时候，别人都知道你怀孕了，但不知道你被日了多少回”，纪念这两周的熬夜，熬夜。&n... 查看详情

pytorchnote31深度残差网络resnet(代码片段)

PytorchNote31深度残差网络ResNet文章目录PytorchNote31深度残差网络ResNetResNet残差结构ResNet18/34的Residual结构ResNet50/101/152的Bottleneck结构ResNet网络结构配置代码实现BasicBlockBottleneckBlockResNet全部笔记的汇总贴：PytorchNote快乐星球ResNet当 查看详情

deepresiduallearningforimagerecognition(残差网络)

深度在神经网络中有及其重要的作用，但越深的网络越难训练。随着深度的增加，从训练一开始，梯度消失或梯度爆炸就会阻止收敛，normalizedinitialization和intermediatenormalization能够解决这个问题。但依旧会出现degradationproblem：随... 查看详情

深度残差网络+自适应参数化relu激活函数（调参记录1）(代码片段)

本文采用了深度残差网络和自适应参数化ReLU激活函数，构造了一个网络（有9个残差模块，卷积核的个数比较少，最少是8个，最多是32个），在Cifar10数据集上进行了初步的尝试。其中，自适应参数化ReLU激活函数原本是应用在基... 查看详情