2020中国高校计算机大赛·华为云大数据挑战赛热身赛_交通流量预测赛题分析(持续更新！！！）
写在前面：大家好！我是练习时长半年的在读本科生数据小白JerryX，各位数据挖掘大佬有什么问题和建议多多指教！！欢迎大家多多点赞，多多评论，多多批评指正！！
0. 赛题介绍
赛题背景
随着电子信息和移动通信技术高速发展和不断融合，人工智能在各个领域都相继取得了巨大的突破，城市智能体也应运而生，而城市交通又是城市智能体的核心。交通流量数据既是城市交通中的基础数据，又是反应交通状况的重要指标之一，准确预测交通流量对城市交通具有重大意义。本题以交通流量预测为目标，邀请各个队伍以历史交通流量数据建立对应的算法模型，预测目标流量数据，通过预测值和真实值之间的对比得到预测准确率，以此来评估各队伍所提交的预测算法。
赛题说明
本次比赛任务是利用历史数据并结合地图信息，预测五和张衡交叉路口未来一周周一（2019年2月11日）和周四（2019年2月14日）两天的5:00-21:00通过wuhe_zhangheng路口4个方向的车流量总和。
要求模型输出格式如下： {“data”:{“resp_data”:{“wuhe_zhangheng”:[1,4,5,6,4…]}}}从5:00开始每5min的预测数据，第一个数据为5:00-5:05的流量值，最后一个数据为20:55-21:00。两天的数据按时间先后放在一起，总共有384个数据。
小提示：如果不考虑天气、周边活动、节假日等因素，预测结果可能不准确哦。
数据说明
本次比赛提供4周（2019.1.12 – 2019.2.8）深圳龙岗区坂田街道交通流量历史数据。车流数据格式如下:
其中，time为上述格式时间字符串，cross为路口名，direction为车流起始方向，leftFlow是左转车流，straightFlow是直行车流。
说明：
（1） 十字路口包含四个方向车流数据，此处未全部列出。
（2） 路口名称分别为：五和路、张衡路、稼先路、隆平路、冲之大道。可以通过但不限于百度地图等地图软件获取地图路网信息。
（3） 因为右转车流不受信号灯控制，因此未做统计。
！获取地图路网信息友情链接：五和大道张衡路路口百度地图
评分标准
第一部分（分类问题）
分类问题评价标准：
预测的评价是通过每一个5min预测车流和真实通过车流对比，看看趋势是否一致（比如10月19日的5：00到5:05的真实车流是4，10月20日的5：00到5:05的真实车流为5，那么只要车流预测值大于4，就得100分，最后得分为所有得分求加权平均（权重为该时间段所在小时的车流量占16小时总车流的比重））。
第二部分（回归问题）
回归问题评价标准：
预测的评价还是通过每一个5min 预测车流和真实通过车流通过grade公式计算最后得分，加权细则与第一部分相同：其中wi为权重，xj为真实车流数据，xj拔为预测车流数据，ε为e-9。
最后将两部分分数做归一化处理，第一部分占比40%，第二部分占比60%。
============================ 我是分割线======================================
下面我们在赛题数据还没有出来之前，先从地图角度出发分析一下有什么地图信息可以挖掘一下吧！！
1. 预测目标地理位置可视化：五和张衡交叉路口
所谓“知己知彼，百战百胜”，我们先来看看我们的目标预测位置有什么地理特点吧！
先看看局部的地理位置：
再来看看整体的地理位置：
震惊！！原来是华为的老巢！！那么朝九晚五必然是我们要考虑到的一个重要的特征啦！
2. 流量与时间关系地理位置初步可视化分析
借助百度地图的流量预测功能，我们可以直观的看到一周7天不同时间段的基本的车流量情况。下面我们进一步初步分析，可以得到两个结论：
1.任老板的公司不仅朝九晚五，竟然还有 十点的狂欢（再一次震惊！)可见下面三张图：
3.简单空间拓扑结构信息抽取思路介绍
看到地图，我们就能够想到要建图抽取特征啦！我们在这道题目里面可以把道路看成边，路口看成结点，组织成一个简单的图结构！
通过百度地图好用的测距功能，我们就可以很方便地抽取出来空间结构信息，以便后续进一步挖掘不同路口结点之间的流量关系啦！
我们可以使用邻接矩阵抽特征的方式，将拓扑图结构的空间相关性在特征层建模出来，使得时序神经网络模型/传统机器学习方法也能够处理复杂图结构的空间相关性问题。
先分析那么多啦，夜深先睡了，明天数据集公布了以后再进一步分析下数据吧~
感谢大家的耐心阅读，有什么建议欢迎大家在评论里提出来哦~~
这篇文章会持续更新，记录自己的一点心得，分享一些好的paper~
也请大家多多指教！！
