3. 时间、空间属性导致其他的深度学习方法如 CNN、RNN、LSTM 在这里无效。空间特点：距离和层次；时间特点：相近的时间人流量是平滑的，但还要看它的周期性和趋势。

　　训练数据的获取和整合

　　该论文中所用的数据来自北京近几年的出租车数据和纽约的自信车租赁信息。新智元请郑宇介绍数据经验，包括如何拿到这些数据并且如何把这些数据变成可以训练、可以评测的数据。郑宇表示，BikeNYC 是公开数据，北京和贵阳的数据是跟政府进行合作获得。数据大小是TB级。

数据其实是一个很重要很关键的问题，特别是现实中我们面临多元异构异源的融合问题，可用的方法包括拼接技术、通过语义等方法融合。在郑宇另外一篇发在 IEEE Transaction on BigData 创刊的文章 “Methodologies for cross-domain data fusion: AnOverview”主要就是讲数据的整合。

　　郑宇团队在贵阳市做了一个真实的系统，这个系统现在正在实实在在的运转中。大家看到系统现在每分每秒都在不停的进来数据，然后系统也在不停的去预测。

　　在这个项目中城市被划分成1km*1km的格子。然后人流量数据也好，或者是出租车轨迹也好，把它投射在这个网格里面，生成一些简单的热度图。比如说红的网格就说明这地方人越多。然后系统会同时有对应的事件和天气信息，这些内容相结合就构成了现在的一个数据输入。把以前的时空数据转换成这样一个模式，生成很多帧，这样就是一个序列了。然后去预测，每个格子里面未来会有多少出租车的进和出。如果可以给系统人流量的数据，系统就能预测对应这个数据的人流量。比如通过手机信号，系统就可以预测，比如有多少人进出地铁的刷卡记录，系统就能预测地铁站有多少人进和出。这个模型是通用的，使用时只需要在数据上面去验证这个模型的准确性和有效性。

　　把时间和空间特点融合进训练过程

　　有了这些数据之后是不是直接用深度学习就可以了呢？答案是否定的。那怎么来做呢？郑宇说，直播，首先把最近几个小时的数据，比如说最近这几帧的数据输入到一个深度残差网络里面，我们叫时空残差网络里面来模拟。

　　首先，模拟相邻时刻，对应最近的这段，它应该是一个平滑的过程，比如晚上六点跟七点流量变化不会很大。

　　第二，把对应时间点昨天这个时刻，比如说昨天的两点钟，前天两点钟以及再往前面同一时刻的这个数据，作为输入来模拟周期性。把前面这几个对应时间点的数据拿来作为参考，就相当于把周期属性考虑进来了。

　　第三，把更远时间点相同时间点（比如上个月、以及上上个月礼拜三下午2点钟）的数据拿进来，然后模拟趋势性。

　　所以这边分别是模拟刚才说的那3个时间属性，平滑性、周期性以及趋势性，这3个残差网络结构都是一样的，都是深度残差网络。

　　这3个结果出来之后，系统会做一个融合。第一部分融合，就是只考虑它的时间空间属性。再把外部因素拿过来做2次融合得到一个结果。因为外部因素，比如世界的天气情况，可能也是整个全局的、广域的。

　　刚刚是讲怎么模拟时间3个特性，那空间特性怎么模拟的呢？就看着里面的一个结构，它抓的正是空间属性。我们就进去看看这个深度残差网络到底是怎么个结构。

　　我们都知道深度卷积神经网络，是这样一个过程，它把一些区域划成格子之后，把相关的区域做一个卷积运算再合并到一个值。你可以认为，通过卷积之后，我们把周围地区的这种人流量的相关性给抓住了，卷积多次之后，相当于把很远地方的属性都卷积到一起了。

　　为什么要用深度残差网络？