ST-ResNet：深度时空残差网络在城市交通流量预测中的卓越性能

本篇文章主要探讨了在城市交通流量预测中，特别是在单步预测评估方面的深度学习应用，具体聚焦于一种名为ST-ResNet的方法。ST-ResNet是一种深度时空残差网络，它被设计用来解决城市范围内交通流量预测的复杂性，特别是考虑到空间依赖性（附近和远处）、时间依赖性（近期、周期性和趋势）以及外部因素（如天气和事件）的影响。 文章首先介绍了交通流量预测的重要性，指出准确预测能对交通管理和公共安全有重大影响。ST-ResNet的核心设计是基于时空特性的端到端结构，通过残差人工网络框架来捕捉交通流量的时间邻近性、周期性和趋势性。设计中包含了多个残差卷积单元，每个单元专注于特定的交通特性。模型通过动态聚合不同区域的输出，结合外部因素（如天气和星期），生成最终的预测结果。 实验部分以北京和纽约的出租车（TaxiBJ）和自行车（BikeNYC）流量数据为例，对比了ST-ResNet与其他九种知名预测方法，如ARIMA、SARIMA、VAR、ST-ANN、DeepST、RNN、LSTM和GRU等。结果显示，ST-ResNet表现出色，其12个残差单元版本比传统方法如ARIMA、SARIMA和VAR有显著的性能提升，且在处理长序列依赖性时，如GRU和LSTM优于RNN，显示出其在捕捉复杂动态模式方面的优势。特别地，ST-ResNet考虑了外部因素，而其简化版ST-ResNet-noExt在不考虑这些因素时，性能稍逊一筹，证明了外部因素在预测中的重要性。 文章还提到了一个名为UrbanFlow的实时系统，该系统部署在微软Azure云平台上，用于监测和预测贵阳的交通流量。这展示了ST-ResNet在实际应用中的实用价值。结论部分强调了深度学习方法，尤其是ST-ResNet在城市交通流量预测领域的潜力，以及它在减少交通事故和提高城市交通管理中的潜在作用。 总结来说，本文深入研究了如何运用深度学习中的ST-ResNet技术来改进城市交通流量预测，通过对比实验证明了其在复杂环境下预测能力的优越性，为智能交通系统的发展提供了有力支持。