Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction

本文主要是介绍Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

---

本博文是对郑宇老师团队所提出的STResNet网络的一个略微扩充说明。本人自己在看完这篇论文的时候，感觉就一个字‘懵’。你说不懂吧，好像又明白点，你说懂吧又感觉有好多细节还是不清楚。好在该论文开放了源代码。经过对源代码的一番剖析，总算是弄懂之前不明白的一些细节。不过该源码是基于Keras实现的，由于本人之前一直使用Tensorflow，所以又对其利用tf进行了重构，代码整体上看起也来更加简洁，地址见文末。

1.背景

这是2017年发表在AAAI上论文，其研究目的是对某个地方下一时刻车辆进出流量进行预测。作者说到，按照这样的思想利用论文中提出的模型同样还可以对某个区域的人流量，外卖订单量，快递收发量进行预测等等。具体可以参见郑宇老师在CFF上做的报告，里面也详细阐述了本论文的核心思想及其可拓展的相关问题。

所谓车流量预测，指的是利用历史数据对某个区域下一时间点的进/出车流量进行预测，也就是论文中所指的In-flow和Out-flow. 同时对于In-flow和Out-flow的统计定义如下所示：

其中图p0063中公式所表示的含义如下图所示：

上图为一个$4\times 4$的区域，代表的是在某时间片$t$时两个车辆的运行轨迹，则$x_t^{in,3,2}=1,x_t^{out,3,2}=2$。其统计规则如下：
在$t$时间时，车辆A的移动轨迹(蓝色)历经了4个区域( g 1 , g 2 , g 3 , g 4 g_1,g_2,g_3,g_4 g

这篇关于Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---