这篇论文主要讲述了使用成都的出租车轨迹数据进行建模后生成出行强度图，使用CNN和LSTM进行学习之后通过反卷积生成出行强度预测图。非常适合上手这个领域，主要有两点原因：第一 出租车出行强度只包含了上车下车的频次信息，不涉及OD，路线等复杂问题；第二使用的都是比较初级的网络结构，复现较为简单(误)。
最近好久没搞交通方向，应同学私信要求，我将在两周内，用三篇文章的篇幅对本文进行讲解，数据处理全过程以及代码复现(希望不会翻车)，上篇对文章进行分析，后续实验在业余时间两周内完成。
数据集
文章地址 Real-Time Taxi-Passenger Prediction with L-CNN
作为改进出租车调配方法中的一个环节，出租车出行强度预测是比较重要的一环，在不考虑拥堵等问题的情况下，出租车资源向热点地区倾斜是直观的想法。对出行强度进行预测会涉及到三个方面：时间，空间，客观因素，因此以往的传统方法不能很好地满足准确性，简单性以及时效性。感觉就像做code一样，某个题目要求按照层顺序打印二叉树节点，首先无脑想到维护先入先出队列。。。同样看到时间，空间，最直白的网络结构进入脑海：LSTM,CNN。再说下数据输入，这篇文章利用出租车的GPS数据，得到不同上车下车地点的坐标，然后把成都市用500米*500米方格进行划分，统计每个方格的上下车次数，生成如下的图像
下面的任务就是用网络学习这个强度图再空间以及时间顺序上的特点，再生成新的强度图。
