城市计算

深度学习在时空数据中的应用_1

数据分类：

时空数据：

点数据

网数据：路网

时空属性

时间、点都在变化、具有网络结构：轨迹数据

空间层次： 划分街道 不同区域 城市的区域、街道等这些地理信息里都蕴藏着明确的多层次的语义信息

判断用户相似度：重合位置（区域）的次数越多越相似 不同区域力度不同

时间： 邻近性；周期性；趋势性（上扬，下降） 城市越来越大，带来早高峰越来越早

1. 深度学习可以编码时空数据属性
2. 融合多个领域的时空数据集

给DL带来什么：

1. 大量的多样化的数据 多元、异构
2. 计算和评估当前的基础设施
3. 应用方案需求：对整个城市进行建模预测，大尺度、高实时性

CNN：空间区域的相关性 把很远的信息卷在一起 怎样做数据的transformation：

image.png

人流量预测相关： 1km2内出租车进和出 城市公共安全，物流等 数据可更换 前几个小时当地的人流 时间相关（周期、趋势） 附近区域进和出的人流 空间相关 很远的地方的人员活动 当天天气 气象相关

城镇人流量预测： 1.划分 1*1km 过去1小时 in out人数 一帧（in,out）二元组 2.时间flow 形成“视频流” 最近几个小时 几帧 S-P ResNet 时空残差网络 模拟相邻时间车流变化（小时） 3.对应时间昨天、前天 模拟周期性（天） 周、月 模拟趋势性（周、月） 三个网络 进行融合

image.png

基于矩阵的融合： 基于参数尺度矩阵的融合 parametric-matrix-based fusion Hadamard product（矩阵点乘 对应位置相乘）

image.png

数据结果：

1. 时间邻近性 明显/不明显： 北京四环主路附近 时间邻近性不明显
2. 时间周期性：朝阳公园明显 周末/晚上去公园 医院不明显 具有随机性
3. 时间趋势性：中关村不明显， 每天都要上班 北京动物园趋势明显。

交通管控： 格子与格子之间 人流流向和人数 预测很远的地方过来的人 空间节点 节点之间具有距离 根据时间在变化 边：时空动态、动态结构 转移：稀疏 transition->sparse 抽象为图 rr 一进一出 就是 r2r 三个模块： closeness period trend Embedding 嵌入->降维 区域转移与区域人流量预测 两个任务同时进行

其他： 输入就是状态，输出就是奖赏值（value）

深度学习在物流领域发展：调度算法 状态定义：摩拜：区域进和出 需求和还车的 预测下一时刻多少人还车、用车 Action 从区域A->B调度多少量车 Maximize整体最优 value 再带入bellman