智慧交通系統
即Intelligent TransportationSystem (ITS)
屬於時空預測方向，在人工智能相關會議上有不少工作值得借鑑。中科院計算所9樓網數的徐冰冰在github上有建微信羣討論，下週約在計算所給課題組做報告。羣中Davidham（宋超，北交）也撰寫了不少論文筆記，最近還發現了CSDN上張博士的 “當交通遇上機器學習”，也很不錯。
原始數據集總結
一、TaxiBJ，北京出租車數據集，鄭宇，"BJ15_M32x32_T30_InOut.h5"，原始數據shape=(5596,2,32,32)，"2"代表出In/Out兩種流量。
備註：數據應用在ST-ResNet（AAAI17，鄭宇的經典，該領域的里程碑）中。
二、METR-LA，洛杉磯高速路數據集，"metr-la.h5"，原始數據shape=(12,6850,207)——間隔5分鐘，預測未來1小時(12,207,2)->(12,207,1)
備註：數據應用在DCRNN文章中。
三、NYC-Taxi，紐約出租車數據集，"volume.train.npz"，原始數據shape=(1920,10,20,2)，"10,20"代表網格化地圖形狀，同鄭宇的"32,32"
備註：數據應用在STDN文章中。
四、PeMS04/08，加利福尼亞高速數據，"data.npz"，原始數據shape=(10195,307,3)——間隔5分鐘預測1小時(307,3,36)->(307,3,12)
備註：數據應用在ASTGCN文章中，"3"代表交通流量3種特徵(flow，speed，occupancy)。
五、MetroHZ，杭州地鐵數據集，"raw_data.npy"，原始數據shape=(2448,81,2)——間隔10分鐘預測下一個時間片
備註：數據應用在我的ADST文章（T-ITS）中
六、BusJN，濟南公交數據集，原始數據shape=(26496,11,81)
備註：數據應用在師姐的文章XXX（Ubicomp->T-ITS）中
七、其他數據集
1）2009.5月——北京出租車數據集(一個月)；
備註：數據應用在我的開題 “載客熱點區域挖掘” 中（帶上下車載客標識，數據略老）。
2）2014.8月——成都出租車數據集(一個月)；
備註：數據應用在牛老師的L-CNN文章（TVT 2018）中。
3）kaggle比賽紐約數據集(預測行程時間)；
備註：數據應用在曉雲師姐的大論文中。
學術論文梳理
TKDE期刊 (IEEE Transactions on Knowledge and Data Engineering)
NIPS會議
2017，PredRNN 清華，利用自定義的 “時空LSTM” 單元，基於歷史數據幀預測未來圖片，數據集採用Moving Mnist（Mnist視頻流也是高端...），也找到了作者Yunbo Wang的git分享。
CVPR會議
2017，Structural-RNN，Jain，將時空圖轉換成RNN混合體的一種通用的可擴展的方法。作者是用來做行爲識別的。感覺是非常視覺的paper，膜拜一下就好...
AAAI會議
2017，ST-Net 鄭宇；目前已經基本復現了微軟亞研院鄭宇在人羣流量預測工作中使用的ST-ResNet殘差網絡。
2018，DMVST 賓夕法尼亞（姚驊修，滴滴實習生等）；綜合考慮時間、空間、語義三方面信息，預測出租車需求（筆記），其中數據來自2017年滴滴出行在廣州的近兩個月數據。作者提供了開源代碼，這個團隊後續在AAAI2019又發表了一篇"Revisting Spatial-Temporal similar"，提出STDN網絡（姚驊修，數據來自NYC紐約），工作也是相當多的。
2019，ASTGCN 北交（郭晟楠，林友芳，宋超等）：學習PPT（已經聯繫作者找到原文），採用加利福尼亞的兩段高速數據，目前爲預測1小時後的交通流量，使用mxnet搭建神經網絡（添加了注意力機制的STGCN，源碼）。使用三個組件對時間序列上三個不同長短的週期模式進行建模。2019.2.15在北交網站發表了動態。
2019，STMGCN（李亞光，滴滴）：空間上引入Multi-Graph多圖，針對地圖區域間非歐關係，本文提出更加詳細的三種關係圖（距離臨近、功能相似、道路相通），對多圖進行圖卷積並聚合。時間上Contextual Gated RNN，實際爲SENet思想。針對訓練樣本序列，利用SENet的Squeeze和Excitation操作，對每個時刻圖進行全局池化，和圖自身卷積池化的結果相加，再利用Excitation達到不同通道權重化的效果。
ICLR會議
2018，DCRNN 南加大（李亞光，虞琦等人）：作者提供了github鏈接，本文借鑑ICLR2017的一篇reject文章（RNN對圖結構數據的推廣）的思想，將該模型用於交通預測。本文在會議官網上收到了很好的Review評價。首先構建圖，這個圖可以加權也可以不加權，可以有向也可以無向，本文使用的是加權雙向有向圖。交通預測挑戰在於：空間路網複雜，時間依賴非線性。本文乾的事概括來講是：給定歷史車速與路網數據，預測未來的車速。使用基於圖bidirectional random walks捕獲空間依賴，使用基於序列的帶預定採樣的編解碼機制捕獲時間依賴。上來創新點扣了個大帽子：“交通空間結構非歐，有向”。本文在洛杉磯構建了帶權有向圖，圖的頂點是sensors（207個），邊是權重，通過路網上 sensor 之間的距離得到。時間間隔5分鐘，預測未來1小時的速度，所以輸入數據中一個樣本是（12,207,2），輸出爲（12,207,1）。
2018，GAT 劍橋大學（還有Bengio大神），圖注意力，徐博在計算所提到過。
IJCAI會議
2018 STGCN，提出了時空圖卷積的網絡架構，有一個中文博客輔助說明，作者通過構建時空卷積塊預測交通圖中不同路網節點的速度v，且利用的是加州和北京兩個數據集進行驗證。使用局部圖卷積（基於拉普拉斯圖的一階近似），無向圖。
2018 GeoMan，還是鄭宇，張均波那些人的，預測傳感器值的迴歸問題，同樣有中文博客的說明。使用水質數據和空氣質量兩個數據集進行驗證。
Sensors
2017 Deep CNN 北航+北交，用CNN模擬空間相關性，但空間結構在歐式空間 (例如：2D圖像)，理解爲普通網格地圖策略。
IJCNN會議
2018 Deep Transport 百度，通過明確收集各道路上下游的鄰域道路, 並分別對這些鄰域進行傳統卷積, 對空間依賴關係進行建模。
附錄：
交通領域期刊影響因子
