时序分析-利用深度时空残差网络预测城市范围的交通流量

本项目完整源码地址：https://github.com/angeliababy/passenger_forecast

项目博客地址: https://blog.csdn.net/qq_29153321/article/details/104005743

原理部分

参考论文《Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction》或
《利用深度时空残差网络预测城市范围的人流量》
下载地址：https://download.csdn.net/download/qq_29153321/10998326

解决问题：城市人流量预测
应用方法：ST-ResNet（卷积残差网络）

应用方法优势：建模近处的和远处的两个区域之间的空间依赖性，同时也保证了预测的精度不受神经网络的深度结构影响。
人流量：将城市分为M*N网格形式，计算进入流和外出流
时间依赖性：短期、周期、趋势
外部因素影响：天气、工作日情况等
下图展示了 ST-ResNet 的框架，包括四个主要的模块：分别建模邻近性、周期性、趋势性和外部影响因子（暂不考虑）

框架解析：暂时不考虑图中外部因素影响融合部分。比如以短期序列为例，令最近的一个分段为
,称为邻近性依赖矩阵，将它们与时间轴个数进行拼接成张量

，周期、趋势序列中Conv1-Conv2过程类似输出

.其中卷积采用边界填充0尺寸不变卷积形式.
具体操作如下：
数据准备：将城市划分为M*N网格，计算每个网格上基于时间依赖性的进入流和外出流。
数据输入：以短期预测为例，尺寸大小（M，N，2lc），前两维表示网格尺寸，后一维表示各时间节点的进入流、外出流。其中卷积操作和残差单元示例如下，参数数目L可变,此时为4，Adam自优化学习率，batch_size=32, p和 q分别设为 1 天和一周。对于 3 个序列，设为：lc∈{3,4,5}，lp ∈{1,2,3,4}，lq∈{1,2,3,4}。90%数据训练，10%数据测试，迭代10100次。
流程图（输入数据会做tanh归一化预处理）

实践部分：resnet卷积网络解决客流预测问题

首先将城市的客流数据依据区域转化为图像像素的形式，然后利用resnet卷积网络对具有时间序列性质的客流数据（转化为图像通道）进行未来时刻的区域客流预测。

一、各目录情况如下：

datas

目录下存储内部条件序列数据（data.csv）和外部条件序列数据(external.csv)，其他为客流数据接入用的虚构数据

src

1. date_pre
目录下data.py为客流预测的预处理过程（模型第一步）
keliu.py为客流数据的接入过程（最先步骤）
2. model_defin
目录下定义resnet卷积网络结构定义（分为考虑外部条件external_model.py和不考虑外部条件external_model_no.py两种情况）
3. train_models
目录下实现客流预测的训练过程（模型第二步）（有两种情况：分为考虑外部条件和不考虑外部条件的网络模型训练）
4. predicts
目录下为客流预测的预测过程（模型第三步），此时为单步预测，之后有真实数据时需加入多步预测计算

models

目录下会存储网络生成的模型文件

二、运行（以不考虑外部条件为例）

1. 第一步，模型数据预处理，运行src/data_pre/data.py
2. 第二步，模型训练操作，运行src/train_models/external_model_no.py
3. 第三步，模型预测（单步预测），运行src/predicts/predict.py

最后需要注意的是：接入真实数据后需测试考虑外部条件和不考虑外部条件的情况，观察是否考虑外部条件的结果更好

时序分析-利用深度时空残差网络预测城市范围的交通流量相关推荐

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 ...
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 ...
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 ...
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 ...
DL之DCGAN：基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成
DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成目录基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成设计思路 ...
深度学习——残差网络(ResNet)
随着卷积神经网络的发展和普及,我们了解到增加神经网络的层数可以提高模型的训练精度和泛化能力,但简单地增加网络的深度,可能会出现"梯度弥散"和"梯度爆炸"等问题. ...
深度学习——残差网络ResNets
残差网络 ResNets 是由残差块(Residual block)构建的,首先我解释一下什么是残差块. 这是一个两层神经网络,在
【深度学习】利用深度学习进行时间序列预测
作者 | Christophe Pere 编译 | VK 来源 | Towards Datas Science 介绍长期以来,我听说时间序列问题只能用统计方法(AR[1],AM[2],ARMA[3] ...
推荐：利用深度学习和机器学习预测股票市场（附代码）
来源:AISHWARYA SINGH, 2018年10月25日:翻译:赵雪尧:校对:车前子本文约8000字,建议阅读15+分钟. 本文介绍了如何运用深度学习法预测股票市场. 简介预测股市将如何变化 ...
独家 | 利用深度学习和机器学习预测股票市场（附代码）
来源:AISHWARYA SINGH, 2018年10月25日翻译:赵雪尧校对:车前子本文约8000字,建议阅读15+分钟. 本文介绍了如何运用深度学习法预测股票市场. 简介预测股市将如何变化 ...

时序分析-利用深度时空残差网络预测城市范围的交通流量

时序分析-利用深度时空残差网络预测城市范围的交通流量

原理部分

实践部分：resnet卷积网络解决客流预测问题

一、各目录情况如下：

datas

src

models

二、运行（以不考虑外部条件为例）

时序分析-利用深度时空残差网络预测城市范围的交通流量相关推荐

最新文章

热门文章