1、文章信息
《Deep Spatial–Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting》。
北交大计算机学院万怀宇团队2019年发在IEEE Transactions on Intelligent Transportation Systems上的一篇文章。
2、摘要
交通预测是一个非常具有挑战性的问题，因为交通数据是一种典型的时空数据，在时空上同时表现出相关性和异质性。现有的工作大多只能捕捉交通数据的部分属性，甚至假设相关性对交通预测的影响是全局不变的，导致建模不足，预测效果不理想。本文提出了一种新的端到端深度学习模型ST-3DNet，用于交通栅格数据预测。ST-3DNet引入了3D卷积来自动捕获交通数据在空间和时间维度上的相关性。提出了一种新的重校准块（recalibration (Rc) block）来明确量化空间关联贡献的差异。考虑交通数据的两种时间特性，即短期性和长期性，ST-3DNet分别使用由3D convolutions和Rc block组成的两个分量对这两种模式进行建模，然后加权组合在一起进行最终预测。通过对实际交通数据集，即交通拥挤数据和人群流量数据的实验，验证了该方法的有效性。
3、简介
事实上，在过去的几十年里，人们做了很多尝试来做出更准确的交通预测。交通预测方法大致可分为两大类:模型驱动方法和数据驱动方法。模型驱动方法也被称为参数方法，就像时间序列模型一样，它是基于强有力的理论假设而预先确定的。然而，这些假设在实践中很难得到满足，这限制了它们的预测性能。最近，大量的交通传感器的部署，如地面环路探测器和GPS设备，使我们很容易获得大量的实时交通数据。这为通过数据驱动方法深入理解流量数据提供了一个很好的机会。
数据驱动方法可以分为两大类:传统的机器学习方法和基于深度学习的方法。传统的机器学习方法缺乏对高维数据的处理能力，难以描述交通数据复杂的非线性变化。此外，传统机器学习的预测性能严重依赖手工特征，而手工特征对问题依赖性强，依赖于专家经验。因此，这种方法泛化能力较弱。运的是，深度学习理论的出现使得对高维时空数据的有效建模和通过层次表示自动发现复杂特征成为可能，受此启发，许多研究人员开始转向基于深度学习的模型来处理高维时空交通数据。例如，采用卷积神经网络来探索交通数据的空间特征;利用递归神经网络对交通数据序列信息进行建模。
然而，从空间和时间两个维度的特征，即时，从连续时间间隔的多个输入中编码的运动信息没有得到很好的考虑。此外，除了提取交通数据的时空相关性外，考虑相关性的异质性也是建立时空交通数据模型的关键，而现有的方法大多忽略了这一点。
针对上述挑战，我们提出了一种基于深度学习的时空交通预测网络ST-3DNet来预测未来的交通数据。我们的研究有四方面的贡献：
- 将三维卷积引入流量预测领域。
ST-3DNet采用三维卷积和残差单元，有效地从时空维度提取特征。 - 提出了一种新的结构单元“重新校准”(Rc)块（“Recalibration” block）来明确描述空间中时空相关性贡献的差异。
- 我们考虑流量数据的两个时间特性，即，分别设计了短期时间模式和长期时间模式，并分别设计了两个组件对它们进行建模，然后以加权的方式对它们的输出进行汇总。
- 在三个真实的交通数据集中进行了大量的实验。
实验结果验证了该模型在不同交通预测任务下的性能。
4、主体内容
主体部分内容下节详述。
Attention
