基于大数据的人流预测

城市区域人流预测

 

项目简介将城市通过主干道分成具有语义信息的区域,通过融合交通、气象和事件等各种大数据,预测各个区域内未来几小时人流进入和流出的数量,以便提前启动预警机制,及早疏导人群和车流,保障区域内短时人口密度在安全范围内,从而防范重大交通事故和灾难性城市安全事件(如踩踏)的发生。

论文:

[1] Minh X. Hoang, Yu Zheng, Ambuj K. Singh. FCCF: Forecasting Citywide Crowd Flows Based on Big Data. in Proceedings of the 24th ACM International Conference on Advances in Geographical Information Systems (ACM SIGSPATIAL 2016) (PPT)

 

 

 

基于深度学习的城市网格人流预测

 

 

项目简介:将城市分割成均匀网格,基于交通、气象、时间和事件等多源信息,采用深度学习(Deep Learning)的方法,来综合预测未来每个网格的进入和流出人流数,以便提前启动预警机制,及早疏导人群和车流,保障区域内短时人口密度在安全范围内,从而防范重大交通事故和灾难性城市安全事件(如踩踏)的发生。在采用深度学习算法时,我们充分考虑的时空数据的属性,设计的更为合理的网络结构来模拟人流数据的周期性、趋势性和时空的邻近性等特征,取得了比简单CNN更好的效果。(演示系统

论文:

[1] Junbo Zhang, Yu Zheng, Dekang Qi. Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction, In Proceedings of the 31st AAAI Conference (AAAI 2017). (code)(data)(system)

[2] Junbo Zhang, Yu Zheng, Dekang Qi, Ruiyuan Li, Xiuwen Yi. DNN-Based Prediction Model for Spatial-Temporal Data. in Proceedings of the 24th ACM International Conference on Advances in Geographical Information Systems (ACM SIGSPATIAL 2016) Demo Paper (arXiv version)

大数据与城市异常

交通异常分析

 

 

项目简介:城市中总是会有一些突发事件,比如自然灾害(地震和洪水等)、大型赛事和商业促销、交通事故和临时管制、以及一些群体性事件。如果能及时感知、甚至预警这些事情,将能极大的帮助城市管理,提高政府对突发事件的应对能力,保障城市安全、减少悲剧的发生。文献[1][2][3][4]通过分析北京3万多辆出租车的轨迹来发现城市中的异常事件。其主要思想是当异常事件发生时,附近的交通流将出现一定程度的紊乱。

论文:

[1] Wei Liu, Yu Zheng, Sanjay Chawla, Jing Yuan and Xing Xie. Discovering Spatio-Temporal Causal Interactions in Traffic Data Streams. In KDD 2011.

[2] Linsey Xiaolin Pang, Sanjay Chawla, Wei Liu, and Yu Zheng. On Mining Anomalous Patterns in Road Traffic Streams. In the 7th International Conference on Advanced Data Mining and Applications (ADMA 2011). The best paper award

 

 

 

解释和诊断交通异常

 

文献[3]试图用具体的交通线路来进一步解释异常出现的原因。有时候,两个区域之间出现了交通流异常,但问题本身可能并不在这两个区域,而在于远处的车流必须通过这两个区域前往另一个目的地。这些车流才是问题的根源。[4]根据司机们路线选择方式的改变来捕捉交通异常,并进一步从相关的微博中提取关键词来解释异常的原因,如婚博会、道路坍塌。

 

[3] Sanjay Chawla, Yu Zheng, and Jiafeng Hu. Inferring the root cause in road traffic anomalies, IEEE International Conference on Data Mining (ICDM 2012).

[4] Bei Pan, Yu Zheng, David Wilkie, and Cyrus Shahabi. Crowd Sensing of Traffic Anomalies based on Human Mobility and Social Media. ACM SIGSPATIAL GIS 2013

 

 

 

通过多源数据来检测整体城市异常

 

整体异常是指位置邻近的一些小区域的集合在一段时间里出现了跟平时很不一样的表征,这些表征从单一数据上可能无法反映,但集合多个数据源便能看出这些潜在的异常。

 

 

[1] Yu Zheng, Huichu Zhang, Yong Yu. Detecting Collective Anomalies from Multiple Spatio-Temporal Datasets across Different Domains. In Proceedings of the 23rd ACM International Conference on Advances in Geographical Information Systems (ACM SIGSPATIAL 2015). (Data) (Codes)