基于深度ST-残差网络的城市人流量预测 读书笔记
Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction
中文提示:基于深度ST-残差网络的城市人流量预测
融合轨迹(人流量)、其他额外数据(气象数据、event、holiday信息)。协同对人流量进行预测。
使用三个CNN模型分别去拟合周期性(period)、邻近性(closeness)和趋势性(trend),在CNN中使用12个残差单元,每个残差单元包含两个 级联的ReLu和Conv模块,并使用shortcut降低梯度消失的问题。
三个性质用weight权重连接,在不同的region和部分使用不同的权重,因为每个地区对不同因素的敏感性不同。在训练时可以对不同的地区的因素采用线性回归的方法进行组合。
其他特征使用全连接网络进行相连 最后其输出和三个CNN融合的输出再进行结合,相加并通过tanh函数映射到-1,1。
最后在rescale到真值区间。
主要贡献:
- 将两个区域靠近、远离的空间依赖进行建模,同时确保模型的预测精度,不包括在神经网络的深层结构中。深层的CNN网络可以把远处空间相关性关联进来,对全局预测有很大帮助。同时使用残差结构使得其梯度消失的问题得以缓解,网络可以更加深层。
- 动态地结合三个网络,对三个CNN网络分配不同的权重,该方法可以对不同区域受不同因素影响重要程度进行建模。
- 用北京出租车轨迹和气象数据NYC的自行车数据进行评估。
- 进一步结合其他外部因素(External factors)对实时人流量进行预测天气如下雨/下雪、是否发生重大事件和节假日对人流量影响较大,融合进来后可以有效预测今后发生重大的事情人流。
数据预处理:
- 网格数据,定义进出一个小方块(region)的流量,分别为inflow和outflow;把每个网格进/出的车流量写成(inflow,outflow)的二元组,这样就形成二通道的类似图片的数据,一张图是inflow图,另一张是outflow。
- 截取需要获取的每天、每小时的人流量统计作为观测数据Xt。
每一个观测张量就是X∈R(2*I*J)
Xt Xt-1…
假定输入的尺寸是32*32 一个网格约为5*5km,那么北京城市区域仅使用一张图(约为32*32)的即可。
模型:
时间flow 形成“视频流”
最近几个小时 几帧
- S-T ResNet Deep Residual Learning深度残差网络
使用三个深度卷积残差网络去模拟相邻时间车流变化(closeness,用小时数据)、模拟周期性(天,用昨天、前天、大前天的数据)、模拟趋势性(用一周、一月中某些天的数据),具体如下。每张图是32*32,卷积核的大小是3*3,大于15层。
误差函数是最小化预测值和真值之间的MSE:
- 三个网络进行融合:采用权重的形式,可用回归等模型去学习。
基于参数矩阵的模型融合方法:
不同的地区各个因素(factor)影响程度不同,这是参数矩阵融合方法的权重可视化,可以看到在近邻性特征中,外环区域的影响不是很大,因为长期车辆较少,而在周期性方面,朝阳公园具有很强的影响,因人们外出锻炼、逛公园具有很强的规律性和时间周期性,故这方面影响(权重)较大。
3.其他特征提取:使用2层全连接网络生成特征表示:天气、温度、是否节假日、是否发生重大事件、风速风向。
4.最后将两组结果相加并使用Tanh函数映射到-1,1,这样车流量就变成了-1,1之间的值,再rescale回去(应该是使用均值归一化)。
注意:残差结构示意图
F是一个残差函数,如上图(b)所示。
训练方法见下图:
输入数据:
1)历史观测数据 X0 X1…
2)额外的特征 E0 E1 E2
3)设定closeness period trend的长度为lc lp lq
Sc=[]
Sp=[]
Sq=[]
({Sc Sp Sq Et},Xt)作为一个实例输入
然后输出 其中所有参数
归一化:
利用max-min归一化 到-1,1 预测值为tanh函数输出-1,1 然后rescale到真值,进行误差评估。此处应使用如下均值归一化:
拓展:均值-方差归一化:
缩放到单位长度:
元数据 表示为0、1数据。额外的因素可以转换为one-hot数据。
可借鉴的点:
- 参数融合模型 基于参数矩阵的融合
- 网格划分数据 将时空数据转化为网格类似图像的数据使用CNN网络结构进行
- 分别拟合数据特性
基于深度ST-残差网络的城市人流量预测 读书笔记相关推荐
- 深度时空残差网络在城市人流量预测中的应用
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 ...
- unet是残差网络吗_基于深度监督残差网络的肝脏及肝肿瘤分割
摘要: 针对医生手动对肝脏肿瘤CT图像分割耗时,耗力,且易受主观判断影响的问题,该研究提出一种深度监督残差网络(Deeply Supervised Residual Unet,DS-ResUnet)算 ...
- 基于残差网络的城市人群流动预测
基于残差网络的城市人群流动预测 摘要 Abstract 目录 第一章 绪论 1.1 研究背景及意义 1.2 研究现状 1.3 论文主要工作 1.4 论文组织结构 第二章 相关理论与技术基础 2.1 ...
- 文献阅读:基于浅层残差网络的视线估计算法
一.文献梳理 1.摘要 针对目前的视线估计算法准确度较低的问题,提出一种基于浅层残差网络的算法.利用残差网络结构特点,对图片在不同层次提取到的特征进行融合计算.实验表明,使用基于浅层残差网络结构的算法 ...
- 《中国人工智能学会通讯》——第3章 3.1基于深度学习的网络表示研究进展
第3章 3.1基于深度学习的网络表示研究进展 网络结构在现实世界中无处不在(如航线网络.通信网络.论文引用网络.世界万维网和社交网络等),在此基础之上的应用和研究问题受到了学术界和工业界的广泛关注,这 ...
- 基于深度卷积集成网络的视网膜多种疾病筛查和识别方法
[摘 要]针对视网膜疾病种类繁多.病灶位置不固定等特点,提出一种基于深度卷积集成网络的视网膜多种疾病筛查和识别方法.首先,根据视网膜眼底图像裁剪掉两侧黑色边框,并去除图像中的噪声,以降低对眼底图像的 ...
- 基于深度学习的网络加密流量分类与入侵检测框架
写在前面: 本文翻译供个人研究学习之用,不保证严谨与准确 github链接:https://github.com/WithHades/network_traffic_classification_pa ...
- 毕业设计-基于深度学习的网络流量异常检测系统
目录 前言 课题背景和意义 实现技术思路 一.相关技术与理论介绍 二.基于深度学习的网络流量二分类模型 三.网络流量异常检测系统 实现效果图样例 最后 前言
- DeepRMethylSite:一种基于深度学习的蛋白质精氨酸甲基化位点预测方法
DeepRMethylSite:一种基于深度学习的蛋白质精氨酸甲基化位点预测方法 https://www.researchgate.net/publication/341890599_DeepRMet ...
最新文章
- python巡检脚本juniper_JUNIPER设备日常维护巡检命令
- c++ 条码打印机句柄画图_FBA发货前期需要准备哪些工作?FBA发货准备工作、打印机要求介绍...
- 66. 加一(C, Python)
- Oracle 20c 新特性详解:SQL Macro 宏 SCALAR / TABLE 模式带来的敏捷和便利
- 硅谷VC想对CIO说这些
- 在.Net中json应用测试整理
- 解决办法:configure: error: C compiler cannot create executables错误
- 浅析麒麟信安云几大优势之“安全性”篇
- 数据建模-经典教程笔记
- 北京交通大学《机器学习》课程总结
- 给读医大的老铁选购电脑
- matlab eigs 求特征值函数
- ssh免密码登录3种解决方法
- Excel数值函数(3):对“自动筛选”的结果求和、平均值、极值等
- 微信小程序详解 php,微信小程序canvas基础详解
- Laya 实操二:原始宽高+反转+九宫格+Handler
- latex中biblatex参考文献的标点、分隔符、本地化字符串中英文切换
- java modbus4j_java使用modbus4j来实现modbusTCP通信
- xp usb android,windowsxp系统设置usb手机网络分享的方法
- psd转换为html模板