深度學習在時空數據中的應用_1
數據分類：
時空數據：
點數據
網數據：路網
時空屬性
時間、點都在變化、具有網絡結構：軌跡數據
空間層次： 劃分街道 不同區域 城市的區域、街道等這些地理信息裏都蘊藏着明確的多層次的語義信息
判斷用戶相似度：重合位置（區域）的次數越多越相似 不同區域力度不同
時間： 鄰近性；週期性；趨勢性（上揚，下降） 城市越來越大，帶來早高峯越來越早
- 深度學習可以編碼時空數據屬性
- 融合多個領域的時空數據集
給DL帶來什麼：
- 大量的多樣化的數據 多元、異構
- 計算和評估當前的基礎設施
- 應用方案需求：對整個城市進行建模預測，大尺度、高實時性
CNN：空間區域的相關性 把很遠的信息卷在一起 怎樣做數據的transformation：
image.png
人流量預測相關： 1km2內出租車進和出 城市公共安全，物流等 數據可更換 前幾個小時當地的人流 時間相關（週期、趨勢） 附近區域進和出的人流 空間相關 很遠的地方的人員活動 當天天氣 氣象相關
城鎮人流量預測： 1.劃分 1*1km 過去1小時 in out人數 一幀（in,out）二元組 2.時間flow 形成“視頻流” 最近幾個小時 幾幀 S-P ResNet 時空殘差網絡 模擬相鄰時間車流變化（小時） 3.對應時間昨天、前天 模擬週期性（天） 周、月 模擬趨勢性（周、月） 三個網絡 進行融合
image.png
基於矩陣的融合： 基於參數尺度矩陣的融合 parametric-matrix-based fusion Hadamard product（矩陣點乘 對應位置相乘）
image.png
數據結果：
- 時間鄰近性 明顯/不明顯： 北京四環主路附近 時間鄰近性不明顯
- 時間週期性：朝陽公園明顯 週末/晚上去公園 醫院不明顯 具有隨機性
- 時間趨勢性：中關村不明顯， 每天都要上班 北京動物園趨勢明顯。
交通管控： 格子與格子之間 人流流向和人數 預測很遠的地方過來的人 空間節點 節點之間具有距離 根據時間在變化 邊：時空動態、動態結構 轉移：稀疏 transition->sparse 抽象爲圖 rr 一進一出 就是 r2r 三個模塊： closeness period trend Embedding 嵌入->降維 區域轉移與區域人流量預測 兩個任務同時進行
其他： 輸入就是狀態，輸出就是獎賞值（value）
深度學習在物流領域發展：調度算法 狀態定義：摩拜：區域進和出 需求和還車的 預測下一時刻多少人還車、用車 Action 從區域A->B調度多少量車 Maximize整體最優 value 再帶入bellman