参考资料
https://www.microsoft.com/en-us/research/publication/deep-spatio-temporal-residual-networks-for-citywide-crowd-flows-prediction/
城市计算，郑宇发表的论文：
https://www.microsoft.com/en-us/research/project/urban-computing/#!publications
Abstract
预测人群流量对于公共安全是非常重要的，同时也有挑战，因为涉及到很多复杂的因素。例如区域间交通、时间、以及天气。我们提出了一个基于深度学习的方法：ST-ResNet，预测城市中每个区域的inflow和outflow。基于时空数据，我们设计了端到端结构的ST-ResNet。我们应用残差神经网络框架来建模时间closeness、period和trend的属性。对每一个属性，设计一个残差卷积单元分支，每个残差卷积单元对空间进行建模。三个残差神经网络对每个区域分配不同的权重。残差神经网络的输出再和外部因素（天气）整合，最终预测每个区域的人流量。在北京和NYC2种数据集上做了实验。
Instruction
在这篇论文中，预测2种流量：inflow和outflow。inflow：在给定一个时间间隔中，从其他区域进入到一个区域的所有流量。outflow：在给定时间间隔中，从这个区域离开的流量。这2种流量都标识人迁移的变化。inflow/outflow可以由行人的数量、周围路上车的数量、公共交通系统（bus,metro）上的人数量或者它们的总和（如果都可以获取到）。 例如图1中的(b)，可以通过手机信号来推测人inflow/outflow分别是(3,1)，使用车辆的GPS轨迹，推测处inflow/outflow分别是(0,3)。
预测城市中每个区域的inflow和outflow有以下3个复杂的因素：
- 空间依赖。例如图1中(2)，r2的inflow会受到邻近区域(r1)和偏远区域的outflow影响，相反，r2的outflow也会影响其他区域的inflow。同时r2的inflow也会影响自身的outflow。
- 时间依赖。一个区域的流量受到邻近和较远时间段的影响。例如，在上午8点发生交通阻塞将会影响9点的traffic。并且，早上高峰时的交通情况可能其连续工作日的同一时刻相似。当温度变得越来越低，太阳升的越来越晚，人们也起的越来越晚。
- 外部因素影响。一些外部因素，像天气，事故可能会影响不同区域的flow。
为了处理这些挑战，提出ST-RestNet，模型的贡献主要如下：
- ST-ResNet使用基于卷积的残差网络，来建模周围和较远任意2个地区的空间依赖。同时保证模型的准确率不包含在神经网络的深层架构中（？？？）
- 将流量的时间属性总结为3类，分别是closeness、period、trend。ST-ResNet使用3个残差网络分别对这3个属性建模
- ST-ResNet为不同的分支和区域分配不同的权重，动态整合以上3个网络的输出。然后再和外部因素进行整合。
- 使用北京出租车轨迹数据和NYC自行车轨迹数据来做实验。有6个baseline
