交通流量预测数据集解读
智慧交通系统即Intelligent TransportationSystem (ITS)属于时空预测方向,在人工智能相关会议上有不少工作值得借鉴。中科院计算所9楼网数的徐冰冰在github上有建微信群讨论,下周约在计算所给课题组做报告。群中Davidham(宋超,北交)也撰写了不少论文笔记,最近还发现了CSDN上张博士的 “当交通遇上机器学习”,也很不错。原始数据集总结一、TaxiBJ,北京出租
智慧交通系统
即Intelligent TransportationSystem (ITS)
属于时空预测方向,在人工智能相关会议上有不少工作值得借鉴。中科院计算所9楼网数的徐冰冰在github上有建微信群讨论,下周约在计算所给课题组做报告。群中Davidham(宋超,北交)也撰写了不少论文笔记,最近还发现了CSDN上张博士的 “当交通遇上机器学习”,也很不错。
原始数据集总结
一、TaxiBJ,北京出租车数据集,郑宇,"BJ15_M32x32_T30_InOut.h5",原始数据shape=(5596,2,32,32),"2"代表出In/Out两种流量。
备注:数据应用在ST-ResNet(AAAI17,郑宇的经典,该领域的里程碑)中。
二、METR-LA,洛杉矶高速路数据集,"metr-la.h5",原始数据shape=(12,6850,207)——间隔5分钟,预测未来1小时(12,207,2)->(12,207,1)
备注:数据应用在DCRNN文章中。
三、NYC-Taxi,纽约出租车数据集,"volume.train.npz",原始数据shape=(1920,10,20,2),"10,20"代表网格化地图形状,同郑宇的"32,32"
备注:数据应用在STDN文章中。
四、PeMS04/08,加利福尼亚高速数据,"data.npz",原始数据shape=(10195,307,3)——间隔5分钟预测1小时(307,3,36)->(307,3,12)
备注:数据应用在ASTGCN文章中,"3"代表交通流量3种特征(flow,speed,occupancy)。
五、MetroHZ,杭州地铁数据集,"raw_data.npy",原始数据shape=(2448,81,2)——间隔10分钟预测下一个时间片
备注:数据应用在我的ADST文章(T-ITS)中
六、BusJN,济南公交数据集,原始数据shape=(26496,11,81)
备注:数据应用在师姐的文章XXX(Ubicomp->T-ITS)中
七、其他数据集
1)2009.5月——北京出租车数据集(一个月);
备注:数据应用在我的开题 “载客热点区域挖掘” 中(带上下车载客标识,数据略老)。
2)2014.8月——成都出租车数据集(一个月);
备注:数据应用在牛老师的L-CNN文章(TVT 2018)中。
3)kaggle比赛纽约数据集(预测行程时间);
备注:数据应用在晓云师姐的大论文中。
学术论文梳理
TKDE期刊 (IEEE Transactions on Knowledge and Data Engineering)
NIPS会议
2017,PredRNN 清华,利用自定义的 “时空LSTM” 单元,基于历史数据帧预测未来图片,数据集采用Moving Mnist(Mnist视频流也是高端...),也找到了作者Yunbo Wang的git分享。
CVPR会议
2017,Structural-RNN,Jain,将时空图转换成RNN混合体的一种通用的可扩展的方法。作者是用来做行为识别的。感觉是非常视觉的paper,膜拜一下就好...
AAAI会议
2017,ST-Net 郑宇;目前已经基本复现了微软亚研院郑宇在人群流量预测工作中使用的ST-ResNet残差网络。
2018,DMVST 宾夕法尼亚(姚骅修,滴滴实习生等);综合考虑时间、空间、语义三方面信息,预测出租车需求(笔记),其中数据来自2017年滴滴出行在广州的近两个月数据。作者提供了开源代码,这个团队后续在AAAI2019又发表了一篇"Revisting Spatial-Temporal similar",提出STDN网络(姚骅修,数据来自NYC纽约),工作也是相当多的。
2019,ASTGCN 北交(郭晟楠,林友芳,宋超等):学习PPT(已经联系作者找到原文),采用加利福尼亚的两段高速数据,目前为预测1小时后的交通流量,使用mxnet搭建神经网络(添加了注意力机制的STGCN,源码)。使用三个组件对时间序列上三个不同长短的周期模式进行建模。2019.2.15在北交网站发表了动态。
2019,STMGCN(李亚光,滴滴):空间上引入Multi-Graph多图,针对地图区域间非欧关系,本文提出更加详细的三种关系图(距离临近、功能相似、道路相通),对多图进行图卷积并聚合。时间上Contextual Gated RNN,实际为SENet思想。针对训练样本序列,利用SENet的Squeeze和Excitation操作,对每个时刻图进行全局池化,和图自身卷积池化的结果相加,再利用Excitation达到不同通道权重化的效果。
ICLR会议
2018,DCRNN 南加大(李亚光,虞琦等人):作者提供了github链接,本文借鉴ICLR2017的一篇reject文章(RNN对图结构数据的推广)的思想,将该模型用于交通预测。本文在会议官网上收到了很好的Review评价。首先构建图,这个图可以加权也可以不加权,可以有向也可以无向,本文使用的是加权双向有向图。交通预测挑战在于:空间路网复杂,时间依赖非线性。本文干的事概括来讲是:给定历史车速与路网数据,预测未来的车速。使用基于图bidirectional random walks捕获空间依赖,使用基于序列的带预定采样的编解码机制捕获时间依赖。上来创新点扣了个大帽子:“交通空间结构非欧,有向”。本文在洛杉矶构建了带权有向图,图的顶点是sensors(207个),边是权重,通过路网上 sensor 之间的距离得到。时间间隔5分钟,预测未来1小时的速度,所以输入数据中一个样本是(12,207,2),输出为(12,207,1)。
2018,GAT 剑桥大学(还有Bengio大神),图注意力,徐博在计算所提到过。
IJCAI会议
2018 STGCN,提出了时空图卷积的网络架构,有一个中文博客辅助说明,作者通过构建时空卷积块预测交通图中不同路网节点的速度v,且利用的是加州和北京两个数据集进行验证。使用局部图卷积(基于拉普拉斯图的一阶近似),无向图。
2018 GeoMan,还是郑宇,张均波那些人的,预测传感器值的回归问题,同样有中文博客的说明。使用水质数据和空气质量两个数据集进行验证。
Sensors
2017 Deep CNN 北航+北交,用CNN模拟空间相关性,但空间结构在欧式空间 (例如:2D图像),理解为普通网格地图策略。
IJCNN会议
2018 Deep Transport 百度,通过明确收集各道路上下游的邻域道路, 并分别对这些邻域进行传统卷积, 对空间依赖关系进行建模。
附录:
交通领域期刊影响因子
开放原子开发者工作坊旨在鼓励更多人参与开源活动,与志同道合的开发者们相互交流开发经验、分享开发心得、获取前沿技术趋势。工作坊有多种形式的开发者活动,如meetup、训练营等,主打技术交流,干货满满,真诚地邀请各位开发者共同参与!
更多推荐
所有评论(0)