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
- 深度学习可以编码时空数据属性
- 融合多个领域的时空数据集
给DL带来什么：
- 大量的多样化的数据 多元、异构
- 计算和评估当前的基础设施
- 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：
- 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
- 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
- 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