SRTP项目-基于深度时空网络的地铁客流预测
SRTP项目
本文用来介绍团队的SRTP项目，以及后续的资源分享，项目总结都会持续地更新记录在该文章。
项目介绍
题目：基于深度时空网络的地铁客流预测
项目简介
地铁作为居民绿色出行、缓解城市道路拥堵的重要交通方式，其运营过程中产生了大量的客流时空序列数据。基于历史地铁客流数据准确地预测未来每个站点的乘客流量，是智能交通应用面临的关键技术需求。因此，本项目研究利用深度时空网络模型实现更为准确的地铁客流预测，从而对地铁运营管理和线路调度进行更合理的规划，促进智能交通系统的建设。
项目的解决方案
1.首先对地铁客流数据进行收集与预处理，获得 地铁客流时空序列数据和站点信息数据
2.其次构建深度时空网络模型提取地铁客流的复杂时空特征
3.最后基于提取的复杂特征 预测未来一段时间内每个站点的乘客流
项目共分为数据收集与预处理、模型学习和模型应用三个阶段
首先数据收集与预处理阶段
由于现实地铁客流相关数据量大且获取困难，因此寻找相关开放平台进行源数据的采集，包括地铁客流数据和相关站点信息数据，并对源数据进行清理、转换等预处理操作，使数据标准化。
其次模型学习阶段
利用transformer等时序学习方法提取时间特征，利用图神经网络提取空间特征，利用时空注意力机制等获取时空融合特征，基于以上特征预测未来一段时间内地铁客流。
最后模型应用阶段
基于以上成果，搭建一套可视化平台对预测结果进行展示，为交通智能化管理和用户出行指导提供更科学的建议。
项目的预期结果
基于深度时空网络的地铁客流预测算法上能有所创新和突破，若项目成功则期望将之推向实际运用。
项目开展
概念认知
该SRTP项目难度较高，其中大部分概念是从未接触过的，所以记录下来，可以帮助快速理解项目内容
预备知识：
循环神经网络
循环神经网络(RNN, Recurrent Neural Networks)介绍
了解Attention
1分钟小视频
transformer 了解
1分钟小视频
博客文章
学习路线
深度学习
吴恩达的深度学习
针对性学习即可，不建议全部学习，也没时间全都学习
[双语人译|带测试]吴恩达2022机器学习专项课程(一）监督学习
[双语人译|带测试]吴恩达2022机器学习专项课程(二）：高级学习算法 Advanced Learning Algorithms
[双语人译|带测试]吴恩达2022机器学习专项课程(三）：无监督学习/推荐系统/强化学习
分享
文章分享
基于Transformer的时空融合网络地铁客流预测模型,transformer
Attention Is All You Need
https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understanding_paper.pdf)
transformer
公众号
微信公众号：当交通遇上机械学习
