开放资料 | 手把手教：利用复杂网络和时间序列预测技术开展城市空间流量预测 - 城市之光

活动简介

城市空间流量预测是时间序列预测的典型应用之一，其具有很强的实用性，现已成为智能交通不可或缺的一部分，同时也是城市热点研究例如城市旅行需求、公共服务需求评估的重要组成部分，预测城市空间流量对城市交通系统的合理管理和控制具有重要意义。在本次活动中，我们将以城市空间流量预测为例学习时间序列预测。

与一般的时间序列预测任务不同，城市人流量的预测具有挑战性。一方面，城市空间存在空间交互的关系，这意味城市流量具有复杂的空间特征，不同的空间单元的重要性和受欢迎程度是不同是，且是随时间变化的；另一方面，该任务也呈现出复杂的时间依赖关系，不同时刻的时间节点相互影响。此外，城市人流量数据还容易受很多基本决定性的因素影响，这容易使人流量在长期变化增长或减少的趋势。因此，对城市人流量数据的时空特征进行建模和提取是该任务需要面对的核心问题。

本期，我们将基于和鲸 ModelWhale 平台，手把手教大家动手学习如何利用复杂网络对城市空间流量进行预测。在这里我们将向大家演示时间序列数据的分析、复杂网络的构建与空间特征提取、城市空间交通流量预测模型的训练以及实验对比分析等一套完整的基本流程。

主要内容

如何做好时间序列分析的自相关分析？城市流量预测本质上是一项时间序列预测问题，而时间序列预测建模中最主要的是时间节点之间的相关依赖关系，处理好这些关系是我们时间序列建模的前提。我们一起学习的分析方法包括趋势分析、自相关性分析，处理方法包括零均值化处理和差分平稳化。

如何利用复杂网络提取特征？在城市这个复杂系统中，不同的活动空间单元存在时空上的交互，复杂网络恰好能够描述这种空间依赖关系，因此，我们可以借助复杂网络提取重要特征，为未来流量的预测提供必要的基础信息。这一节将熟悉多个基本属性指标包括平均路径程度、度分布、聚类系数等以及包括关键的中心性特征。
基于SVR方法，预测城市空间流量。

机器学习算法中的SVR（支持向量机回归; Support Vector Regression）是典型的时间序列预测方法，它能够结合时间序列的时空征来预测，在捕捉数据特征的非线性关系方面效果基本令人满意。我们将学习 SVR 的原理和使用方法，同时通过利用精度平均方法如 MAE、RMSE等评价城市空间预测结果。