[论文解读] Predicting Citywide Crowd Flows Using Deep Spatio-Temporal Residual Networks

Junbo Zhang, Yu Zheng+4 more|arXiv (Cornell University)|Jan 10, 2017

Traffic Prediction and Management Techniques参考文献 25被引用 31

一句话总结

本文提出ST-ResNet，一种深度时空残差网络，通过建模空间依赖性（邻近与远距离）、时间模式（接近性、周期性、趋势性）以及天气和事件等外部因素，预测全市范围的客流流入与流出。该模型采用残差学习，配备三个并行分支以处理时间特性，并引入可学习的融合机制，在北京和纽约市数据集上实现最先进性能，优于九种基线模型。

ABSTRACT

Forecasting the flow of crowds is of great importance to traffic management and public safety, and very challenging as it is affected by many complex factors, including spatial dependencies (nearby and distant), temporal dependencies (closeness, period, trend), and external conditions (e.g., weather and events). We propose a deep-learning-based approach, called ST-ResNet, to collectively forecast two types of crowd flows (i.e. inflow and outflow) in each and every region of a city. We design an end-to-end structure of ST-ResNet based on unique properties of spatio-temporal data. More specifically, we employ the residual neural network framework to model the temporal closeness, period, and trend properties of crowd traffic. For each property, we design a branch of residual convolutional units, each of which models the spatial properties of crowd traffic. ST-ResNet learns to dynamically aggregate the output of the three residual neural networks based on data, assigning different weights to different branches and regions. The aggregation is further combined with external factors, such as weather and day of the week, to predict the final traffic of crowds in each and every region. We have developed a real-time system based on Microsoft Azure Cloud, called UrbanFlow, providing the crowd flow monitoring and forecasting in Guiyang City of China. In addition, we present an extensive experimental evaluation using two types of crowd flows in Beijing and New York City (NYC), where ST-ResNet outperforms nine well-known baselines.

研究动机与目标

• 为解决受复杂空间、时间及外部因素影响的全市客流预测挑战。
• 开发一种端到端深度学习模型，能够同时捕捉局部与长距离空间依赖性，以及多种时间模式（接近性、周期性、趋势性）。
• 将天气和星期几等外部因素整合进预测框架，以提升预测精度。
• 构建一个实时的基于云的系统，用于监测和预测城市环境中的客流。
• 在包括北京和纽约市在内的多样化城市环境中，超越现有基线模型在客流流入与流出预测方面的表现。

提出的方法

• 该模型采用残差神经网络架构，以学习客流数据中的复杂时空依赖性。
• 设计三个并行的残差卷积分支，分别独立建模时间上的接近性、周期性和趋势性模式。
• 每个分支通过残差单元处理空间特征，利用卷积层捕捉局部与远距离的空间关系。
• 基于参数矩阵的融合机制，根据输入数据动态分配可学习权重，对三个时间分支的输出进行融合。
• 在最终预测前，将天气和星期几等外部因素与融合后的特征进行拼接。
• 模型通过历史客流数据进行端到端训练，利用反向传播最小化损失函数。

实验结果

研究问题

• RQ1 深度学习模型能否有效捕捉全市客流中的局部与长距离空间依赖性？
• RQ2 统一架构在同时建模接近性、周期性和趋势性等多种时间模式方面表现如何？
• RQ3 整合天气和事件等外部因素在多大程度上提升了预测精度？
• RQ4 所提出的模型在具有不同城市结构与出行模式的城市之间是否具备良好的泛化能力？
• RQ5 与九种成熟基线相比，所提出的ST-ResNet在预测性能方面表现如何？

主要发现

• ST-ResNet在北京市和纽约市数据集上的客流流入与流出预测中，显著优于九种最先进基线模型。
• 该模型通过残差卷积单元有效建模了邻近与远距离区域之间的空间依赖性，从而实现卓越性能。
• 基于可学习参数的动态融合机制，使模型能够自适应地权衡接近性、周期性和趋势性分量的贡献。
• 整合天气和星期几等外部因素显著提升了预测精度，证明了这些因素对客流移动的显著影响。
• 基于微软Azure云构建的实时UrbanFlow系统，成功实现了对中国贵阳市客流的监测与预测，验证了模型的可部署性。
• 代码与数据集已公开发布，支持可复现性，并推动城市计算领域的进一步研究。