交通大数据干货总结（1）

原创最新推荐文章于 2026-09-12 15:35:43 发布 9.6k 阅读 AI写同款

收录于

交通大数据

山科智能信息处理实验室

码龄6年墨衍会员 · AI 创作全网分发

808粉丝73篇原创

关注

论文笔记--GMAN: A Graph Multi-Attention Network for Traffic Prediction Chuanpan Zheng, Xiaoliang Fan, Cheng Wang, Jianzhong Qi Summary 在交通预测问题上，作者针对时空因素提出了一种图多注意网络(GMAN)来预测道路网络图上不同位置的时间步长提前的交通状况。GMAN主要采用了编码解码的架构。编码器和解码器之间包含一个注意力转换模块，模拟历史时间步与未来时间步之间的关系，有助于缓解预测时间步之间的误差传播问题。在实验中对与长时间间隔的预测有非常好的效果。 Problem Definition 长时间段的交通阅读详情

AI摘要

本文汇总了交通领域的知名学者、重要会议论文、典型数据集以及相关资源，涵盖了交通大数据在智能交通中的应用。学者如万怀宇、杨海和罗洪港在数据挖掘、交通网络建模等领域有深入研究。数据集包括TaxiBJ、METR-LA、NYC-Taxi等，常用于交通流量预测。论文涉及ST-ResNet、DCRNN、ASTGCN等多个模型，展示了深度学习在交通预测中的作用。此外，还提供了交通规划相关书籍和优质博主资源，为该领域的研究提供了丰富的参考资料。

交通大数据干货总结（1）

本文列举了交通领域的相关学者、会议、论文、数据集、书籍以及代码
以上资料均提供了超链接和简要说明

前言

当前，城市交通正面临着安全、堵塞、环境污染三大难题。随着云计算、物联网、移动互联网、大数据等新兴技术的发展，城市交通进入智能化阶段。而智能化实现需要利用各种技术获取有价值的数据资源，提供决策依据。交通大数据为交通决策与服务带来了新的解决思路和方法【1】。

原始数据总结

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。（数据地址：链接：https://pan.baidu.com/s/1uLLiSRjWAKoOgBqeSR5CUg 提取码：g1n2 ）

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。（数据地址：链接：https://pan.baidu.com/s/1RIukWVbXS-C6OgN4cajuNQ 提取码：43sd ）

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。（数据地址：链接：https://pan.baidu.com/s/1T5TQeVQFnKi5KAeCT9NuKQ 提取码：u2yc ）

四、PeMS系列数据集：PeMS03/04/07/08/PeMS-bay/PeMS-M，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：数据分别应用在ASTGCN/Graph wavenet/ST-GCN/SLCNN等文章中，"3"代表交通流量3种特征(flow，speed，occupancy)。（数据地址：链接：https://pan.baidu.com/s/1dwdYbtEXJ68k3zAf_Kw38g

提取码：2fih ）

五、北京地铁数据集：2016年北京地铁进进出站客流量数据集，共276个站点，25天工作日，三种时间粒度划分（10min、15min和30min。附北京同时间天气条件与空气质量数据集，

天气条件数据每半小时记录一次，空气质量数据每一小时记录一次。（数据地址：链接：https://pan.baidu.com/s/1eVBUs0zxs5xYvFpnR13yUA 提取码：d399 ）

备注：数据分别应用在ResLSTM/Conv-GCN等论文中。

六、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ADST文章（T-ITS）中

七、BusJN，济南公交数据集，原始数据shape=(26496,11,81)

备注：数据应用在文章XXX（Ubicomp->T-ITS）中

八、其他数据集

1）2009.5月——北京出租车数据集(一个月)；

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)；

学术论文梳理

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。