【新智元导读】近日微软亚洲研究院主管研究员郑宇发在 AAAI 2017 发布了其团队用深度时空残差网络预测城市人流量的论文。他在微博上称这是兑现了“上海踩踏事件”后的承诺。本文结合郑宇演讲和论文，介绍该项目训练数据获取及整合、如何融合外部因素和时间空间相关性、为什么选择深度残差网络等方面，并且讨论该技术在实际应用中的成本，以及深度学习对其它社会公共问题的解决方案。

　　【人物简介】郑宇 (博士、教授、博导)，微软亚洲研究院主管研究员、美国计算机学会杰出科学家(ACM Distinguished Scientist)、上海交通大学讲座教授（Chair Professor）、香港科技大学和香港理工大学客座教授。

郑宇

　　郑宇团队一直从事城市计算的相关研究，之前他们利用机器学习对雾霾进行预测。这篇关于城市人流量预测的AAAI论文也是首次（在国际知名学术会议上）公开发表的把深度学习用于城市大数据的研究成果，并开启了深度学习在时空数据中的探索之路（以往的深度学习的研究通常集中在视频、图像和文本数据上）。新智元于2月9日参加郑宇对论文的分享，并且对郑宇进行了访谈。本文将结合郑宇演讲和论文，从训练数据获取及整合、如何融合外部因素和时间空间相关性、为什么选择深度残差网络等方面进行讲解，并且讨论该技术在实际应用中的问题，以及深度学习对其它社会公共问题的解决方案。

　　起因——上海外滩踩踏事件

　　2014到2015的跨年之夜，在上海外滩发生的一起踩踏事故，事故造成多人伤亡。事故发生前外滩地区人流量超过100万人、超出该地区人流容量上限（30万人）达2倍多。

　　悲剧发生后，郑宇在微博上表示：“上海的踩踏悲剧完全可以通过基于手机数据的城市异常检测来避免。当发现人流过于聚集并且移动滞留，就可以提前预警和疏散... 是时候加快城市计算的产业化了。”

　　他认为，如果我们能够在提前几个小时就知道外滩会有多少人进去，多少人出来，如果我们知道，进去的人远远大于出来的人，而且知道这个地方的存在容量不足以支撑这么多人停留的时候，我们就应该提前做管控，发布一些疏导信息，甚至提前倡导不要进入该区域。因为这么多人一旦聚集在一个地方，上百万人，仅靠一两百个警察或管理人员来维护秩序是很难做到的，那个时候就为时太晚了。

　　所以当时郑宇就有了这个想法。他说，这次也算兑现了自己的承诺。当时在说这个的时候，有很多人不太理解，因为他们对技术背景可能并不是那么熟悉，觉得这是不可能做到的。但现在我们真的把它做出来了，还结合一些实际的案例，证明这个技术是可行的，其实可以推广到很多城市，对我们的城市公共安全和交通等管理都有很大的价值和帮助。

　　时空深度残差网络预测城市人流量技术解读

　　郑宇表示，传统的预测人流量是从个人出发，把每个人的运动轨迹预测来，然后再按区域对进出的人流进行整合，从而得到各个区域的人流量。这不仅涉及到个人的隐私问题，而且准确性也很低（要准确预测每个人的活动是一件非常困难事情）。也有通过基于物理学模型、交通动力学模型之类的经典模型的方法，但这些方法难以应对大范围（整个城市范围）、高密度(上千万人口）和细粒度时空范围（每平方公里、每小时）的集成、同时预测（即不是每个区域单独预测，而是所有区域同时预测，因为各个区域的人流量有关联性）。

　　而他们这次研究是第一次将深度残差网络用于时空数据，提出了时空深度残差网络模型（ST-ResNet），把整个城市，比如说北京地区，划成很多个网格，多个网格进行同时分析，所以它是一种整体性的预测。

　　城市人流量预测三大挑战

　　郑宇提到城市人流量预测三大挑战：

　　1.影响到人流量的因素非常之多，与区域里面前一个小时，有多少人进和出有关系，与周边区域有多少人进和出也有关系，甚至很远的地方，有多少人进和出对这个地方的人流量也会有影响。一旦一个大型事件发生的时候，很多人会从很远的地方坐地铁，或者通过高速公路前往，并不直接经过该周边区域，就直接达到，所以一个地方的人流量不光只是取决于周边有多少人。

　　2. 外部的影响因素多：天气、事件；