Spatio-temporal knowledge transfer for urban crowd flow prediction via deep attentive adaptation networks.

Wang, Senzhang, et al. "Spatio-temporal knowledge transfer for urban crowd flow prediction via deep attentive adaptation networks." IEEE Transactions on Intelligent Transportation Systems 23.5 (2021): 4695-4705.

https://ieeexplore.ieee.org/abstract/document/9352560/

 

[1] J. Zhang, Y. Zheng, and D. Qi, “Deep spatio-temporal residual networks for citywide crowd flows prediction,” in Proc. AAAI Conf. Artif. Intell., 2017, pp. 1655–1661.
[2] Y. Lv, Y. Duan, W. Kang, Z. Li, and F.-Y. Wang, “Traffic flow prediction with big data: A deep learning approach,” IEEE Trans. Intell. Transp. Syst., vol. 16, no. 2, pp. 865–873, Apr. 2015.
[3] M. M. Aburas, Y. M. Ho, M. F. Ramli, and Z. H. Ash’aari, “The simulation and prediction of spatio-temporal urban growth trends using cellular automata models: A review,” Int. J. Appl. Earth Observ. Geoinf., vol. 52, pp. 380–389, Oct. 2016.
[4] X. Zhou, Y. Shen, Y. Zhu, and L. Huang, “Predicting multi-step citywide passenger demands using attention-based neural networks,” in Proc. ACM Int. Conf. Web Search Data Mining, 2018, pp. 736–744.
[5] J. Ye, L. Sun, B. Du, Y. Fu, X. Tong, and H. Xiong, “Co-prediction of multiple transportation demands based on deep spatio-temporal neural network,” in Proc. 25th ACM SIGKDD Int. Conf. Knowl. Discovery Data Mining, Jul. 2019, pp. 305–313.
[6] B. Du et al., “Deep irregular convolutional residual LSTM for urban traffic passenger flows prediction,” IEEE Trans. Intell. Transp. Syst., vol. 21, no. 3, pp. 972–985, Mar. 2020.
[7] H. Yao, X. Tang, H. Wei, G. Zheng, and Z. Li, “Revisiting spatialtemporal similarity: A deep learning framework for traffic prediction,” 2018, arXiv:1803.01254. [Online]. Available: http://arxiv.org/abs/1803.01254
[8] X. Cheng, R. Zhang, J. Zhou, and W. Xu, “DeepTransport: Learning spatial-temporal dependency for traffic condition forecasting,” in Proc. Int. Joint Conf. Neural Netw., Jul. 2018, pp. 1–8.
[9] L. Wang, X. Geng, X. Ma, F. Liu, and Q. Yang, “Cross-city transfer learning for deep spatio-temporal prediction,” in Proc. 28th Int. Joint Conf. Artif. Intell., Aug. 2019, pp. 1893–1899.
[10] H. Yao, Y. Liu, Y. Wei, X. Tang, and Z. Li, “Learning from multiple cities: A meta-learning approach for spatial-temporal prediction,” in Proc. World Wide Web Conf. (WWW), 2019, pp. 2181–2191.
[11] M. Long, Y. Cao, J. Wang, and M. Jordan, “Learning transferable features with deep adaptation networks,” in Proc. 32nd Int. Conf. Mach. Learn., 2015, pp. 97–105.
[12] S. Shekhar and B. M. Williams, “Adaptive seasonal time series models for forecasting short-term traffic flow,” Transp. Res. Rec., J. Transp. Res. Board, vol. 2024, no. 1, pp. 116–125, Jan. 2007.
[13] M. Lippi, M. Bertini, and P. Frasconi, “Short-term traffic flow forecasting: An experimental comparison of time-series analysis and supervised learning,” IEEE Trans. Intell. Transp. Syst., vol. 14, no. 2, pp. 871–882, Jun. 2013.
[14] J. Zheng and L. M. Ni, “Time-dependent trajectory regression on road networks via multi-task learning,” in Proc. 27th AAAI Conf. Artif. Intell., 2013, pp. 1048–1055.
[15] J. Zhang, Y. Zheng, D. Qi, R. Li, and X. Yi, “DNN-based prediction model for spatio-temporal data,” in Proc. 24th ACM SIGSPATIAL Int. Conf. Adv. Geographic Inf. Syst., Oct. 2016, pp. 2588–2595.
[16] S.Wang, J. Cao, H. Chen, H. Peng, and Z. Huang, “Seqst-GAN: Seq2seq generative adversarial nets for multi-step urban crowd flow prediction,” ACM Trans. Spatial Algorithms Syst., vol. 6, no. 4, pp. 1–22, 2020.
[17] X. Shi, Z. Chen, H. Wang, D.-Y. Yeung, W. K. Wong, and W. C. Woo, “Convolutional LSTM network: A machine learning approach for precipitation nowcasting,” in Proc. Adv. Neural Inf. Process. Syst., 2015, pp. 1–9.
[18] S. Wang, H. Miao, H. Chen, and Z. Huang, “Multi-task adversarial spatial-temporal networks for crowd flow prediction,” in Proc. 29th ACM Int. Conf. Inf. Knowl. Manage., Oct. 2020, pp. 1555–1564.
[19] Y. Li, R. Yu, C. Shahabi, and Y. Liu, “Diffusion convolutional recurrent neural network: Data-driven traffic forecasting,” in Proc. ICLR Conf., 2018, pp. 1–16.
[20] J. Zhang, Y. Zheng, J. Sun, and D. Qi, “Flow prediction in spatiotemporal networks based on multitask deep learning,” IEEE Trans. Knowl. Data Eng., vol. 32, no. 3, pp. 468–478, Mar. 2020.
[21] Y. Liang et al., “UrbanFM: Inferring fine-grained urban flows,” in Proc. 25th ACM SIGKDD Int. Conf. Knowl. Discovery Data Mining, Jul. 2019, pp. 3132–3142.
[22] Z. Pan, Z. Wang, W. Wang, Y. Yu, J. Zhang, and Y. Zheng, “Matrix factorization for spatio-temporal neural networks with applications to urban flow prediction,” in Proc. 28th ACM Int. Conf. Inf. Knowl. Manage., Nov. 2019, pp. 2683–2691.
[23] P. Xie, T. Li, J. Liu, S. Du, X. Yang, and J. Zhang, “Urban flow prediction from spatiotemporal data using machine learning: A survey,” Inf. Fusion, vol. 59, pp. 1–12, Jul. 2020.
[24] S. Wang, J. Cao, and P. Yu, “Deep learning for spatio-temporal data mining: A survey,” IEEE Trans. Knowl. Data Eng., early access, Sep. 22, 2020, doi: 10.1109/TKDE.2020.3025580.
[25] L. Wang, B. Guo, and Q. Yang, “Smart city development with urban transfer learning,” Computer, vol. 51, no. 12, pp. 32–41, Dec. 2018.
[26] S. J. Pan and Q. Yang, “A survey on transfer learning,” IEEE Trans. Knowl. Data Eng., vol. 22, no. 10, pp. 1345–1359, Oct. 2010.
[27] F. Zhuang et al., “A comprehensive survey on transfer learning,” Proc. IEEE, vol. 109, no. 1, pp. 43–76, Jan. 2021.
[28] S. J. Pan, I. W. Tsang, J. T. Kwok, and Q. Yang, “Domain adaptation via transfer component analysis,” IEEE Trans. Neural Netw., vol. 22, no. 2, pp. 199–210, Feb. 2011.
[29] F. Zhuang, X. Cheng, P. Luo, S. J. Pan, and Q. He, “Supervised representation learning with double encoding-layer autoencoder for transfer learning,” ACM Trans. Intell. Syst. Technol., vol. 9, no. 2, pp. 1–17, Jan. 2018.
[30] M. Long, H. Zhu, J. Wang, and M. I. Jordan, “Deep transfer learning with joint adaptation networks,” in Proc. Int. Conf. Mach. Learn., 2017, pp. 2208–2217.
[31] Q. Do, W. Liu, J. Fan, and D. Tao, “Unveiling hidden implicit similarities for cross-domain recommendation,” IEEE Trans. Knowl. Data Eng., vol. 33, no. 1, pp. 302–315, Jan. 2020.
[32] B. Guo, J. Li, V. W. Zheng, Z. Wang, and Z. Yu, “CityTransfer: Transferring inter- and intra-city knowledge for chain store site recommendation based on multi-source urban data,” Proc. ACM Interact., Mobile, Wearable Ubiquitous Technol., vol. 1, no. 4, pp. 1–23, Jan. 2018.
[33] M. Wang and W. Deng, “Deep visual domain adaptation: A survey,” Neurocomputing, vol. 312, pp. 135–153, Oct. 2018.
[34] W. Deng, L. Zheng, Q. Ye, G. Kang, Y. Yang, and J. Jiao, “Imageimage domain adaptation with preserved self-similarity and domaindissimilarity for person re-identification,” in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit., Jun. 2018, pp. 994–1003.
[35] Y. Chen, W. Li, C. Sakaridis, D. Dai, and L. Van Gool, “Domain adaptive faster R-CNN for object detection in the wild,” in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit., Jun. 2018, pp. 994–1003.
[36] E. Hosseini-Asl, R. Keynton, and A. El-Baz, “Alzheimer’s disease diagnostics by adaptation of 3D convolutional network,” in Proc. IEEE Int. Conf. Image Process. (ICIP), Sep. 2016, pp. 126–130.
[37] A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” Commun. ACM, vol. 60, no. 6, pp. 84–90, May 2017.
[38] S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997.
[39] Z. Yuan, X. Zhou, and T. Yang, “Hetero-ConvLSTM: A deep learning approach to traffic accident prediction on heterogeneous spatio-temporal data,” in Proc. 24th ACM SIGKDD Int. Conf. Knowl. Discovery Data Mining, Jul. 2018, pp. 984–992.
[40] L. Liu, R. Zhang, J. Peng, G. Li, B. Du, and L. Lin, “Attentive crowd flow machines,” in Proc. 26th ACM Int. Conf. Multimedia, Oct. 2018, pp. 1553–1561.
[41] S. Kim, S. Hong, M. Joh, and S.-K. Song, “DeepRain: ConvLSTM network for precipitation prediction using multichannel radar data,” 2017, arXiv:1711.02316. [Online]. Available: http://arxiv.org/abs/1711.02316
[42] A. Gretton, K. M. Borgwardt, M. J. Rasch, B. Schölkopf, and A. Smola, “A kernel two-sample test,” J. Mach. Learn. Res., vol. 13, pp. 723–773, Mar. 2012.
[43] S. Ji, W. Xu, M. Yang, and K. Yu, “3D convolutional neural networks for human action recognition,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 35, no. 1, pp. 221–231, Jan. 2013.
[44] S. Wang, H. Chen, J. Cao, J. Zhang, and P. S. Yu, “Locally balanced inductive matrix completion for demand-supply inference in stationless bike-sharing systems,” IEEE Trans. Knowl. Data Eng., vol. 32, no. 12, pp. 2374–2388, Dec. 2020.
[45] H. Yao et al., “Deep multi-view spatial-temporal network for taxi demand prediction,” in Proc. AAAI Conf. Artif. Intell., 2018, pp. 2588–2595.
[46] R. J. Hyndman and G. Athanasopoulos, Forecasting: Principles and Practice. OTexts, 2014. [Online]. Available: https://otexts.com