Tiefe spatiotemporale Residualnetzwerke zur Vorhersage von Menschenströmen in Städten

Die Vorhersage von Menschenströmen ist von großer Bedeutung für das Verkehrsmanagement und die öffentliche Sicherheit und stellt eine große Herausforderung dar, da sie von vielen komplexen Faktoren beeinflusst wird, wie z.B. dem Verkehr zwischen Regionen, Ereignissen und Wetter. Wir schlagen einen auf Deep Learning basierenden Ansatz vor, genannt ST-ResNet, um die Zuflüsse und Abflüsse von Menschen in jeder Region einer Stadt kollektiv vorherzusagen. Wir entwerfen eine End-to-End-Struktur von ST-ResNet basierend auf den einzigartigen Eigenschaften spatiotemporaler Daten. Konkret nutzen wir den Rahmen eines Residualneuronalen Netzwerks, um die zeitliche Nähe, Perioden und Trendmerkmale des Menschenverkehrs zu modellieren. Für jedes Merkmal entwerfen wir einen Zweig aus Residual-Convolutional-Einheiten, von denen jede die räumlichen Eigenschaften des Menschenverkehrs modelliert. ST-ResNet lernt, die Ausgaben der drei Residualneuronalen Netzwerke dynamisch zu aggregieren, basierend auf Daten, und weist verschiedenen Zweigen und Regionen unterschiedliche Gewichte zu. Die Aggregation wird zusätzlich mit externen Faktoren, wie Wetter und Wochentag, kombiniert, um den endgültigen Verkehr von Menschen in jeder Region vorherzusagen. Experimente zu zwei Arten von Menschenströmen in Peking und New York City (NYC) zeigen, dass das vorgeschlagene ST-ResNet sechs bekannte Methoden übertrifft.