Deep Spatio-Temporal Residual Networks（深度时空残差神经网络）

最新推荐文章于 2025-05-22 21:47:54 发布

chaochaopang0

最新推荐文章于 2025-05-22 21:47:54 发布

阅读量7.8k

点赞数 9

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签：深度学习残差神经网络卷积神经网络时空数据机器学习

本文链接：https://blog.youkuaiyun.com/chaochaopang0/article/details/78459460

本文介绍了使用深度时空残差网络进行城市交通流量预测的实践，包括业务场景、环境搭建、数据处理、模型构建和训练，以及预测结果的呈现。模型基于残差神经网络，适用于具有空间和时间规律的数据，如人群流动和交通流量预测。环境搭建涉及Anaconda、Keras和TensorFlow，数据预处理和模型训练通过Keras实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

目录：

业务场景
环境搭建
数据及目录结构
模型
代码（建模、训练）
预测及结果呈现

文章只是对模型的学习与实践做简要记录，以免日后给忘了，并没有对模型优劣、应用的场景等理论方面有过多分析。适合快速动手搭建，成功运行、分析代码，并学习怎样用keras实现模型的同学。为更好的阅读下文，需提前下载模型代码（https://github.com/lucktroy/DeepST，不包含预测代码和分析参数的代码）和数据集（北京出租车：http://pan.baidu.com/s/1qYq7ja8，BikeNYC:http://pan.baidu.com/s/1mhIPrRE）。

业务场景：

模型主体是基于残差神经网络，同时加上在时间维度的数据采样，主要的适用场景应是具有空间关系、并具有时间规律的数据。例如预测某区域人群流动、密度，交通流动等，其数据特点：在空间维度上，会受到周围区域的影响，在时间维度上，每天、每周甚至月、年会出现一定规律的变化。模型、数据以及研究成果来源于微软研究院郑宇教授，相关学习资料https://github.com/lucktroy/DeepST，http://www.weiot.net/article-95817.html，https://www.microsoft.com/en-us/research/publication/deep-spatio-temporal-residual-networks-for-citywide-crowd-flows-prediction/。

环境搭建：

Windows、Linux都可搭建运行环境，建议linux。

（1）linux

Anaconda2-5.0.1-Linux-x86_64.sh对应python 2.7、keras 2.0.6、TensorFlow1.2.1（或theano 0.9.0）

（2）Windows