深度学习方法ST-ResNet：城市交通流量预测与实验比较

本资源主要关注于使用深度学习技术在城市交通流量预测中的应用，特别是通过实验设置来验证其有效性。实验涉及两个数据集，即北京的TaxiBJ数据和纽约的BikeNYC数据，这两个数据集分别包含了不同时间段的出租车轨迹和自行车出行数据，以及对应的天气信息。研究目的是预测城市的进入流和外出流，这两种流量类型反映了人员在特定区域的进出动态，对于交通管理和公共安全至关重要。 核心算法是ST-ResNet（深度时空残差网络），它是一种端到端的深度学习架构，特别设计用于捕捉交通流量的时间依赖性（近期趋势、周期性）、空间依赖（附近区域的影响）以及外部因素（如天气）。ST-ResNet采用残差网络框架，通过一系列残差卷积单元来建模这些特性。网络能够动态地聚合不同区域的特征，并结合外部因素，如天气和星期，以提高预测精度。 在实验部分，研究者将ST-ResNet与九种经典的预测方法进行了对比，包括简单的历史平均（HA）、自回归滑动平均（ARIMA）、季节性ARIMA（SARIMA）、向量自回归（VAR）、空间和时间特征提取（ST-ANN）以及深度神经网络模型DeepST。实验结果显示，ST-ResNet在预测性能上优于这些方法，证明了其在复杂交通流量预测场景中的优越性。 此外，研究人员还在微软Azure云平台上构建了一个名为UrbanFlow的实时系统，用于监测和预测贵阳的实时交通流量，进一步展示了ST-ResNet在实际应用中的实用价值。总结来说，本研究不仅提供了深度学习在交通流量预测中的新方法，也为城市交通管理和公共安全提供了有力工具。