目录：
文章只是对模型的学习与实践做简要记录，以免日后给忘了，并没有对模型优劣、应用的场景等理论方面有过多分析。适合快速动手搭建，成功运行、分析代码，并学习怎样用keras实现模型的同学。为更好的阅读下文，需提前下载模型代码（https://github.com/lucktroy/DeepST，不包含预测代码和分析参数的代码）和数据集（北京出租车：http://pan.baidu.com/s/1qYq7ja8，BikeNYC:http://pan.baidu.com/s/1mhIPrRE）。
业务场景：
模型主体是基于残差神经网络，同时加上在时间维度的数据采样，主要的适用场景应是具有空间关系、并具有时间规律的数据。例如预测某区域人群流动、密度，交通流动等，其数据特点：在空间维度上，会受到周围区域的影响，在时间维度上，每天、每周甚至月、年会出现一定规律的变化。模型、数据以及研究成果来源于微软研究院 郑宇教授，相关学习资料https://github.com/lucktroy/DeepST，http://www.weiot.net/article-95817.html，https://www.microsoft.com/en-us/research/publication/deep-spatio-temporal-residual-networks-for-citywide-crowd-flows-prediction/。
环境搭建：
Windows、Linux都可搭建运行环境，建议linux。
（1）linux
Anaconda2-5.0.1-Linux-x86_64.sh对应python 2.7、keras 2.0.6、TensorFlow1.2.1（或theano 0.9.0）
（2）Windows
Anaconda 5.0.1 python 3.6、keras 2.0.8、theano 0.9.0（对应TensorFlow版本不太好找）
注：1. 源代码是python2.7版本的，python3.6需要修改部分代码
2. keras配置文件.keras.json可修改backend后台支持（theano /TensorFlow）,具体可百度
3. .keras.json中修改image_data_format为channels_first
4. 添加数据的路径到环境变量（诡异的很）：建立DATAPATH，对应的值为数据路径（如：E:\project\peopleFlowPredict\data）
（3）deepst包安装
除上面基础包安装外，还需安装模型自带的包deepst，当前目录下python setup.py install 和python setup.py develop
数据及目录结构：
目录：
data:数据目录，deepst程序依赖包目录，scripts主体程序入口，script中分为北京出租车、纽约自行车、**省人群流动预测：exptTaxiBJ.py模型建模训练程序，HB_analyse.py测试集分析呈现，HB_prediction.py模型预测函数，HB_weightShow.py模型参数分析呈现，MODEL训练生成的模型，RET模型训练过程记录,preprocessing.pkl保存归一化对象,数据集data：分别是北京出租车、纽约自行车、**省人群流动数据集，CATCH为第一次运行程序读取原数据集后，自动生成模型的输入数据集。
数据
数据是以图的形式，逻辑上为矩阵，如北京出租车数据，首先将北京地区栅格化为32*32的逻辑矩阵，每个样本为某个时间点的出租车在整个北京区域栅格的流动分布。数据分为原数据集和缓存数据集，程序第一次运行会读取原始数据，程序会根据设置的时间采样参数读取位置数据，结合天气、节假日等特征生成模型所需要的输入数据。数据集分为训练集和测试集，例如北京出租车测试集选取后四月的数据。
原始数据集中：分为位置数据集、气象数据集和节假日数据集。位置数据集为shape(n,2,32,32),n为样本个数，2为输入输出两维度，32*32map流动值。external feature维度28维，其中星期7维+1维是否为工作日+1维是否为节假日+19维气象，温度、风速归一化，其他为0-1编码。
CACHE：数据集中含有11对键值对，训练数据和测试数据各5对+1对external feature的维度。5对训练数据中包含近(shape(n,6,32,32))、中(shape(n,2,32,32))、远(shape(n,2,32,32))、external 特征(shape(n,28))、对应的时间序列(shape(n,)),其中6和2代表设定近中远的取样参数为3和1，再乘以输入输出两维度。测试集类似。
模型输入数据结构：训练集和测试集结构类似，只是样本个数不同。模型所需要的输入数据的维度为shape(4,n,m,32,32),其,4代表近中远+external ，n为样本个数，m对应的近中远参数值*2，4拆开分别对应是近(shape(n,6,32,32))、中(shape(n,2,32,32))、远(shape(n,2,32,32))、external 特征(shape(n,28))。
模型
三个角度出发，空间、时间、额外因素建模，以残差神经网络（DNN改进，可让网络层数变得更深）为模型基础。时间影响：时间轴上分段采样，近（时刻）、中（天）、远（周）。空间影响:在近中远三段数据上分别采用多层残差神经网络。额外因素：利用全连接神经网络建模。近、中、远三个模型输出经过加权融合后生成图中Xrex，并和Xext激活后生成X't。结合下图理解。
上面近中远三段数据分布残差神经网络建模，其模型结构类似。模型先是通过一层卷积，然后通过n层的残差（每个残差单元含有两个卷积层），最后再通过一层卷积。模型adam训练，学习率0.0002，近、中、远为3、1、1，每天时刻划分T为48（每个24/T生成一个流动数据图），代价函数和检验标准为rmse，模型训练停止方法有两种：一个是early-stopping 一个是设置最大迭代次数。卷积核为3*3，个数为64。
代码（建模及训练）
模型的代码实现是基于keras，keras的banckend可以选择tensorflow或者theano
代码执行：比如北京出租车，在目录scripts\papers\AAAI17\TaxiBJ中执行 python exptTaxiBJ.py 2，其中2代表残差神经网络层数。
exptTaxiBJ.py中，主要函数：def build_model（建模）def cache（生成数据缓存）def read_cache（读取缓存）def main（程序入口函数）。
mmn = pickle.load(open('preprocessing.pkl', 'rb'))获取归一化对象
model = stresnet(c_conf=c_conf...)具体建模函数
TaxiBJ.load_data(...)按照时间段采样原始数据
early_stopping = EarlyStopping最早停止条件定义
model_checkpoint = ModelCheckpoint模型训练条件
history = model.fit模型训练
model.save_weights保存模型参数
model.load_weights载入模型参数
score = model.evaluate模型评估
注：存在两次模型训练，两次的截止条件不一样
STResNet.py建模文件，def stresnet建模主函数，def _residual_unit残差单元构造，其中具体语法参照keras管网
TaxiBJ.py:北京出租车的载入数据函数文件，def load_holiday（读取节假日）def load_meteorol（读取气象）def load_data（读取位置数据）
STMatrix.py:按照设置的长中短时间参数采样，create_dataset主要的采样原数据函数，其中i代表当前要预测的数据，while循环读取每条i的长中短的数据（X）及当前i的数据（Y）
预测及结果呈现
HB_prediction.py（预测函数）:模型训练会生产模型参数，保存在modle文件夹中。预测函数首先按照定义的模型建模，并加载训练好的参数，输入测试数据便可得到预测值y，此函数可预测未来一段时间段的y'。其中，predictNext()函数是用预测值作为输入预测下一刻的值。predicVal()函数是获取真实值和真实值作为输入的预测值。
HB_weightShow.py(参数分析函数)，此函数是读取keras生成的参数文件，并将远中近的融合时的参数呈现，可以分别看出在远中近三个时间段不同栅格位置的权重影响。
