北邮牛琨老师的大作*《Real-Time Taxi-Passenger Prediction with L-CNN》*
写一下自己的收获。
本文是结合CNN与RNN（LSTM）来进行出行预测。

一、 基本思路

CNN提取空间特征，LSTM提取时间特征。
划分时间间隔（预测最小单元）为15min，只选取了上车点的数据进行分析（基于上车、下车有same pattern的假设）。

二、数据整合

流程图如下：

G（t）为t时刻的上车人数格网，将成都市划分为n*n个格网：

其中：

代表该时刻内该格网总的上车人数。
本文中的timestep为1，也即是利用前一个时刻的交通流量，预测下一个时刻的交通流量。根据这一点构建数据集，input为t时刻矩阵，label为t+1的矩阵。

三、训练与预测

结合CNN+LSTM：
CNN用来看懂图形
LSTM用来记住顺序
影像经过CNN处理之后得到一维序列，当做LSTM的基本处理单元。Timestep=1，在预测阶段，输入t时刻的交通流量矩阵，经过CNN处理后得到t时刻的一维序列，然后根据训练好的模型，得到了一个t+1时刻的序列，然后反卷积为t+1时刻的交通流量矩阵。
一共11天的数据，每一天都包含15分钟间隔的矩阵（深夜无数据，一共18h，每天183+1=55个矩阵）。如果要预测第11天9：00的，那么训练数据为前10天的全部，加上第11天的6:00到8：45的共计：1055+9=559个矩阵。每一个矩阵都首先通过卷积与线性relu，变成一个8:45分的序列。然后序列带入训练好的LSTM模型，得到9:00的时刻序列，之后通过反卷积，得到9:00的预测的交通矩阵。

四、结果