中国过去三十年一直在进行着高速的城市化发展,这在促进经济增长的同时,也带来了严重的大城市病问题,比如消耗人们很多时间的交通拥堵。为了缓解交通拥堵,政府部门采取了非常多的措施来提高高峰期人们的出行体验,其中,城市交通的智能化管理是其中很好的一个着力点。好的智能化管理不仅能优化交通拥堵,还能给人们的出行安全增加一层新的保障。为了做到这点,有必要对城市每天每个区域内巨大的人流量进行预测。可是由于城市环境十分复杂多变,会受到众多因素的影响,常见的有附近的交通走向,突发事件,变化莫测的天气。为了准确预测城市的各个区域人流量的流入和流出情况,论文主要做了以下具体工作:论文提出了一个新的基于深度学习的方法,它的名字是PredCNN-ST-LSTM-ResNet(级联卷积时空长短时记忆残差网络),并通过北京市的出租车出行数据进行训练和测试。由于人流量数据隐含着十分丰富和复杂的空间信息,论文针对时空数据种类的不同,构建了3个不同的分支模型,并加入了独立的残差网络单元。在模型训练时,PredCNN-ST-LSTM-ResNet会根据数据的实际情况动态的调整三个网络的权重,将他们进行融合得到一个综合的输出。2.(逻辑性太差)论文考虑到了临时的客观因素影响,创新的将空气污染要素考虑了进来。人流量数据容易受到许许多多额外客观因素的影响,而这些客观因素很多时候对人流量有着决定性作用。客观性因素的种类有很多,常见的首先是气候变化,例如打雷和下雨等,除此之外,空气污染的严重程度也是个重要的因素。为了将这些额外因素提取出来,论文获取了指定时间内的气候和空气质量数据,并对天气预报数据也进行了抓取;第二为是否是周末的影响,可以预想到,工作日和周末人们的出行数据会有很大的变化,这个特征可以显著影响人流量,所以论文根据是否是周末对最后的输出结果进行调整。然后,考虑到人们的出行意愿是由主观因素和客观因素共同决定的,论文创新的将微博数据纳入到特征提取的工作之中。因为新浪微博是移动互联网时代最大的微博平台,论文选择了新浪微博进行研究,对指定时间的微博数据(北京地区)进行了关键词爬取,并将其用于城市人流量预测。这些关键词主要分为两类,一类是与气候相关的词例如:空气,打雷,雾霾等,另一类关键词是和人们出行意愿直接相关的,例如:游玩,聚餐,上班等。在获取了这些微博后,论文提取了两个主要特征将它们与人们出行意愿进行联系:相关关键词的微博数量,微博出行的情感极性分析。最后,论文根据爬取微博区域的不同在空间上进行了分类,用于反映空间上每个地区人们的出行意愿。最后,论文将这些提取的特征通过全连接层得到输出,并与PreCNN-ST-LSTM-ResNet的输出结果进行融合得到最终的预测结果。实验结果表明,该方法在相同数据集上得到了比现有的5种常见方法更好的预测结果(8%)。