尧图网站建设 
简介这份PDF文献面向从事时空数据分析、城市计算与智能交通研究的高校师生及算法工程师聚焦传统时空预测方法难以兼顾空间多尺度特征与复杂非线性关系的问题。文中提出融合空间多尺度特征的时空网络模型MST-Net将流量预测的回归问题转化为具有时空特性的判别模型先以并联卷积提取空间多尺度特征再通过引入注意力机制的门控循环单元提取时间特征最后由全连接层输出预测结果并在两组真实社交媒体签到数据集上验证了模型在RMSE与MAPE指标上的优势。资源包共1个PDF文件约5.46MB内容为完整的期刊论文全文含中英文摘要、关键词、基金项目、模型结构说明与实验对比分析便于读者系统理解CNN与GRU结合、注意力融合及并联卷积连接方式的设计思路。目前已有245人学习适合作为深度学习时空预测方向的参考文献与建模指导。1. 人群活动流量时空预测从网格热度到未来 72 小时的推演商圈运营方最头疼的问题往往不是现在哪里人多而是明天下午三点哪里会堵。人群活动流量时空预测要解决的正是这件事给定过去若干时段、若干区域的人流热度推演未来一段时间每个区域的人流量。它同时踩中两个维度——时间上的周期性与趋势性空间上的邻接扩散与远程关联所以单纯的时间序列模型或单纯的空间插值都不够用。基于深度学习的方案之所以成为主流是因为卷积能抓空间邻接、循环或注意力能抓时间依赖两者叠起来才压得住真实场景里的突发与周期。这篇笔记面向已经拿到人流网格数据、想把它跑成可用预测模型的从业者从数据组织讲到训练调参再到上线踩坑尽量让每一步都能照着复现。深度学习环境配置、PyTorch 实战这些热搜词背后大家真正卡住的其实是数据怎么变成模型吃得下的张量。2. 把人群流量变成张量时空样本的构造与归一化2.1 为什么人流预测天然是视频预测问题把城市切成 H×W 的网格每个格子记录一个时间片内的人流计数那么一段历史数据就是一个形状为 (T, H, W) 的三维数组。这跟视频的 (帧数, 高, 宽) 结构完全一致区别只是视频通道是 RGB 三通道而人流是单通道强度。理解这一点很关键所有做视频预测的骨干网络——ConvLSTM、PredRNN、SimVP、基于 Transformer 的时空注意力——理论上都能直接迁移过来。我一般会先按这个视角把数据整理成 (样本数, 历史步长, H, W) 的四维张量预测目标则是 (样本数, 预测步长, H, W)。选型上如果区域间存在明显的远程依赖比如两个不相邻但同属一个地铁线的商圈纯卷积的感受野有限需要堆很多层才能覆盖这时注意力机制更划算如果只是邻接扩散为主ConvLSTM 这类结构参数少、训练稳是更务实的起点。新手常犯的错是一上来就上最复杂的模型结果数据量撑不住验证集 loss 一直震荡。2.2 滑动窗口切样本的代码实现下面这段是把原始人流矩阵切成监督学习样本的核心逻辑我用了最朴素的 NumPy 实现方便看清每一步在做什么。import numpy as np def make_samples(flow, hist_len12, pred_len6, stride1): flow: (T, H, W) 原始人流张量T 为总时间片数 hist_len: 历史步长比如用过去 12 个时间片每片 30 分钟 6 小时 pred_len: 预测步长比如预测未来 6 个时间片3 小时 stride: 滑动步长训练时可设 1 做数据增强验证时设 pred_len 避免重叠泄漏 返回: X (N, hist_len, H, W), Y (N, pred_len, H, W) T, H, W flow.shape X, Y [], [] end T - hist_len - pred_len 1 for i in range(0, end, stride): X.append(flow[i:i hist_len]) Y.append(flow[i hist_len:i hist_len pred_len]) X np.stack(X) # (N, hist_len, H, W) Y np.stack(Y) # (N, pred_len, H, W) return X, Y # 假设 flow 已加载为 (T, H, W) # X, Y make_samples(flow, hist_len12, pred_len6, stride1)逻辑说明外层循环按时间轴滑动每次取一段历史窗口作为输入、紧跟其后的一段作为标签。stride是训练集和验证集行为不同的关键参数——训练时设 1 能让样本量最大化验证和测试时必须设成pred_len否则相邻样本的预测区间重叠评估指标会虚高这是血泪经验。hist_len和pred_len的取值取决于你的业务节奏30 分钟粒度下历史 6 小时、预测 3 小时是商圈场景比较稳的配置预测越长误差累积越明显。2.3 归一化与缺失值别让量纲毁掉训练人流计数动辄上千直接喂进网络会让梯度爆炸。常见做法是做全局最大最小归一化把值压到 [0,1]。但这里有个坑如果用训练集的最大值去归一化验证集而验证集出现了更大的峰值就会溢出。稳妥的做法是用训练集的 min/max并对超出范围的值做截断。def normalize(train, val, test): vmin, vmax train.min(), train.max() scale lambda x: np.clip((x - vmin) / (vmax - vmin 1e-8), 0, 1) return scale(train), scale(val), scale(test), (vmin, vmax) # 反归一化用于评估真实误差 def denormalize(x, vmin, vmax): return x * (vmax - vmin 1e-8) vmin参数说明1e-8是防止除以零的保险项。vmin/vmax一定要保存下来推理阶段和评估阶段都要用它反归一化否则算出来的 MAE 是归一化空间的没有业务意义。缺失值方面人流数据常见设备掉线导致的整片为零直接填零会让模型学到这里没人的错误模式我一般用前后时间片的均值插补或者干脆把缺失时段从样本里剔除。3. 模型选型ConvLSTM、SimVP 与时空注意力的取舍3.1 三种主流骨干的适用边界ConvLSTM 把 LSTM 的门控单元里的全连接换成卷积天然处理 (T, H, W) 输入参数量适中是入门首选。它的短板是长序列上梯度传播吃力预测步长超过 12 就容易糊。SimVP 走的是另一条路完全不用循环结构用编码器-解码器加中间的时间翻译模块训练快、并行度高在标准人流数据集上往往能打过 ConvLSTM代价是对突发事件的响应稍钝。时空注意力如基于 Transformer 的方案表达力最强能建模任意两点的关联但显存吃紧H×W 超过 64×64 就得考虑分块或稀疏注意力。我的建议是数据量小于一万个样本、网格小于 32×32先用 ConvLSTM 跑通基线数据充足且追求精度上 SimVP只有当你有明确的远程依赖证据比如跨区联动分析显示相关性显著时才值得投入注意力方案。深度学习模型部署时SimVP 的推理速度优势也会体现出来。3.2 一个可跑的 ConvLSTM 基线import torch import torch.nn as nn class ConvLSTMCell(nn.Module): def __init__(self, in_ch, hid_ch, kernel3): super().__init__() self.hid_ch hid_ch self.conv nn.Conv2d(in_ch hid_ch, 4 * hid_ch, kernel, paddingkernel // 2) def forward(self, x, h, c): combined torch.cat([x, h], dim1) gates self.conv(combined) i, f, o, g torch.split(gates, self.hid_ch, dim1) i, f, o, g torch.sigmoid(i), torch.sigmoid(f), \ torch.sigmoid(o), torch.tanh(g) c_next f * c i * g h_next o * torch.tanh(c_next) return h_next, c_next class ConvLSTM(nn.Module): def __init__(self, in_ch1, hid_ch64, pred_len6): super().__init__() self.cell ConvLSTMCell(in_ch, hid_ch) self.head nn.Conv2d(hid_ch, 1, 1) self.pred_len pred_len def forward(self, x): # x: (B, T, H, W) - (B, T, 1, H, W) x x.unsqueeze(2) B, T, _, H, W x.shape h torch.zeros(B, self.cell.hid_ch, H, W, devicex.device) c torch.zeros_like(h) for t in range(T): h, c self.cell(x[:, t], h, c) # 用最后一帧隐状态直接回归多步 out self.head(h) # (B, 1, H, W) return out.unsqueeze(1).repeat(1, self.pred_len, 1, 1, 1)逻辑说明ConvLSTMCell里把输入和上一时刻隐状态在通道维拼接一次卷积产出四个门这是标准实现。forward里逐时间步推进最后用 1×1 卷积把隐状态映射回单通道再复制成预测步长。参数说明hid_ch64是隐层通道数网格大或数据复杂可以加到 128但显存会翻倍kernel3是卷积核保持 padding 一致以维持空间尺寸。这个基线在 32×32 网格、几千样本上通常能收敛如果 loss 不降先检查归一化和学习率。3.3 训练循环与损失函数的选择人流预测的损失函数别只用 MSE。MSE 对大值敏感会让模型偏向预测高峰而低估低谷而低谷区域的误差在业务上同样重要。我一般用 MSE 加一个对高值区域的加权或者直接用 Smooth L1。优化器 Adam初始学习率 1e-3配合余弦退火batch size 按显存给到 16 或 32。model ConvLSTM(hid_ch64, pred_len6).cuda() opt torch.optim.Adam(model.parameters(), lr1e-3) sched torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max50) loss_fn nn.SmoothL1Loss() for epoch in range(50): model.train() for x, y in train_loader: # x:(B,T,H,W) y:(B,pred,H,W) x, y x.cuda(), y.cuda() pred model(x).squeeze(2) # (B, pred, H, W) loss loss_fn(pred, y) opt.zero_grad(); loss.backward(); opt.step() sched.step()参数说明T_max50要和总 epoch 数一致否则学习率退火节奏错位。SmoothL1Loss在误差小于 1 时是平方项、大于 1 时是线性项对异常峰值更鲁棒。训练时记得每个 epoch 后在验证集上算反归一化后的 MAE 和 RMSE只看训练 loss 会骗自己。4. 避坑与排查人流预测里最容易翻车的五件事4.1 验证集指标好得离谱现象验证集 MAE 远低于训练集或者低到不符合业务常识。原因滑动窗口切样本时验证集用了 stride1相邻样本高度重叠等于变相泄漏。解决验证和测试的 stride 必须等于 pred_len保证预测区间不重叠重算指标。4.2 模型预测全是平均值现象预测出来的热力图一片模糊高峰被削平。原因MSE 损失主导模型学会了输出条件均值来最小化期望误差。解决换 Smooth L1 或对高值区域加权也可以在输入里加入时间嵌入小时、星期几的 one-hot让模型区分高峰和低谷模式。4.3 显存爆炸训练中断现象跑到一半 CUDA out of memory。原因网格尺寸大加上 hid_ch 高或者历史步长太长。解决先把 hist_len 从 12 降到 6 试或者把 hid_ch 减半实在要保留长序列用梯度检查点gradient checkpointing换显存代价是训练慢三成。4.4 推理时结果和训练对不上现象训练好的模型上线后预测值量纲完全不对。原因推理时忘了用训练集的 vmin/vmax 反归一化或者输入没有做同样的归一化。解决把归一化参数和模型一起打包保存推理前先归一化输入、输出后反归一化写成一个统一的 predict 函数。4.5 突发事件完全预测不到现象演唱会、暴雨导致的人流骤变模型毫无反应。原因模型只学了历史统计规律没有外部变量输入。解决把天气、节假日、事件日历作为额外通道拼进输入张量或者在预测后接一个异常检测模块做修正。纯靠历史流量预测突变本身就是不现实的期待。5. 让预测真正可用滚动预测与在线更新的几个技巧模型训完只是开始真正上线要解决预测未来 72 小时这种长跨度需求。直接让模型一次输出 144 个时间片误差会累积到没法看。我一般用滚动预测每次只预测 pred_len 步然后把预测结果拼回历史窗口滑动着往后推。这样每一步的输入都包含最新的预测值虽然仍有误差传播但比一次性长输出稳得多。def rolling_predict(model, init_hist, total_steps, pred_len, vmin, vmax): init_hist: (hist_len, H, W) 初始历史窗口已归一化 total_steps: 要预测的总步数比如 144 model.eval() hist init_hist.copy() results [] with torch.no_grad(): while len(results) total_steps: x torch.tensor(hist[None], dtypetorch.float32).cuda() pred model(x).squeeze(2).cpu().numpy()[0] # (pred_len,H,W) take min(pred_len, total_steps - len(results)) results.append(pred[:take]) # 把预测拼回历史保持窗口长度不变 hist np.concatenate([hist[take:], pred[:take]], axis0) out np.concatenate(results, axis0) return out * (vmax - vmin 1e-8) vmin # 反归一化参数说明total_steps按业务定30 分钟粒度下 72 小时就是 144。take处理最后一段不足 pred_len 的情况。这个函数里hist的滚动更新是关键别用原始历史一直当输入否则模型永远看不到自己刚预测出的趋势。在线更新方面人流模式会随季节和城市变化漂移固定模型跑三个月就会退化。我的习惯是每周用最近一个月的数据做一次增量微调学习率调到 1e-4只训几个 epoch既跟得上变化又不至于灾难性遗忘。验证方法上除了 MAE/RMSE一定要看分时段的误差曲线——如果只在早晚高峰误差大说明模型对峰值建模不足如果全天均匀偏高多半是归一化或偏置问题。这套流程我在几个商圈项目里反复用过最深的教训是别迷信模型结构数据质量和验证集切分方式对最终效果的影响往往比换个更炫的骨干网络大得多。希望帮到你。本文还有配套的精品资源点击获取 基于深度学习的人群活动流量时空预测：从网格热度到未来72小时推演
简介这份PDF文献面向从事时空数据分析、城市计算与智能交通研究的高校师生及算法工程师聚焦传统时空预测方法难以兼顾空间多尺度特征与复杂非线性关系的问题。文中提出融合空间多尺度特征的时空网络模型MST-Net将流量预测的回归问题转化为具有时空特性的判别模型先以并联卷积提取空间多尺度特征再通过引入注意力机制的门控循环单元提取时间特征最后由全连接层输出预测结果并在两组真实社交媒体签到数据集上验证了模型在RMSE与MAPE指标上的优势。资源包共1个PDF文件约5.46MB内容为完整的期刊论文全文含中英文摘要、关键词、基金项目、模型结构说明与实验对比分析便于读者系统理解CNN与GRU结合、注意力融合及并联卷积连接方式的设计思路。目前已有245人学习适合作为深度学习时空预测方向的参考文献与建模指导。1. 人群活动流量时空预测从网格热度到未来 72 小时的推演商圈运营方最头疼的问题往往不是现在哪里人多而是明天下午三点哪里会堵。人群活动流量时空预测要解决的正是这件事给定过去若干时段、若干区域的人流热度推演未来一段时间每个区域的人流量。它同时踩中两个维度——时间上的周期性与趋势性空间上的邻接扩散与远程关联所以单纯的时间序列模型或单纯的空间插值都不够用。基于深度学习的方案之所以成为主流是因为卷积能抓空间邻接、循环或注意力能抓时间依赖两者叠起来才压得住真实场景里的突发与周期。这篇笔记面向已经拿到人流网格数据、想把它跑成可用预测模型的从业者从数据组织讲到训练调参再到上线踩坑尽量让每一步都能照着复现。深度学习环境配置、PyTorch 实战这些热搜词背后大家真正卡住的其实是数据怎么变成模型吃得下的张量。2. 把人群流量变成张量时空样本的构造与归一化2.1 为什么人流预测天然是视频预测问题把城市切成 H×W 的网格每个格子记录一个时间片内的人流计数那么一段历史数据就是一个形状为 (T, H, W) 的三维数组。这跟视频的 (帧数, 高, 宽) 结构完全一致区别只是视频通道是 RGB 三通道而人流是单通道强度。理解这一点很关键所有做视频预测的骨干网络——ConvLSTM、PredRNN、SimVP、基于 Transformer 的时空注意力——理论上都能直接迁移过来。我一般会先按这个视角把数据整理成 (样本数, 历史步长, H, W) 的四维张量预测目标则是 (样本数, 预测步长, H, W)。选型上如果区域间存在明显的远程依赖比如两个不相邻但同属一个地铁线的商圈纯卷积的感受野有限需要堆很多层才能覆盖这时注意力机制更划算如果只是邻接扩散为主ConvLSTM 这类结构参数少、训练稳是更务实的起点。新手常犯的错是一上来就上最复杂的模型结果数据量撑不住验证集 loss 一直震荡。2.2 滑动窗口切样本的代码实现下面这段是把原始人流矩阵切成监督学习样本的核心逻辑我用了最朴素的 NumPy 实现方便看清每一步在做什么。import numpy as np def make_samples(flow, hist_len12, pred_len6, stride1): flow: (T, H, W) 原始人流张量T 为总时间片数 hist_len: 历史步长比如用过去 12 个时间片每片 30 分钟 6 小时 pred_len: 预测步长比如预测未来 6 个时间片3 小时 stride: 滑动步长训练时可设 1 做数据增强验证时设 pred_len 避免重叠泄漏 返回: X (N, hist_len, H, W), Y (N, pred_len, H, W) T, H, W flow.shape X, Y [], [] end T - hist_len - pred_len 1 for i in range(0, end, stride): X.append(flow[i:i hist_len]) Y.append(flow[i hist_len:i hist_len pred_len]) X np.stack(X) # (N, hist_len, H, W) Y np.stack(Y) # (N, pred_len, H, W) return X, Y # 假设 flow 已加载为 (T, H, W) # X, Y make_samples(flow, hist_len12, pred_len6, stride1)逻辑说明外层循环按时间轴滑动每次取一段历史窗口作为输入、紧跟其后的一段作为标签。stride是训练集和验证集行为不同的关键参数——训练时设 1 能让样本量最大化验证和测试时必须设成pred_len否则相邻样本的预测区间重叠评估指标会虚高这是血泪经验。hist_len和pred_len的取值取决于你的业务节奏30 分钟粒度下历史 6 小时、预测 3 小时是商圈场景比较稳的配置预测越长误差累积越明显。2.3 归一化与缺失值别让量纲毁掉训练人流计数动辄上千直接喂进网络会让梯度爆炸。常见做法是做全局最大最小归一化把值压到 [0,1]。但这里有个坑如果用训练集的最大值去归一化验证集而验证集出现了更大的峰值就会溢出。稳妥的做法是用训练集的 min/max并对超出范围的值做截断。def normalize(train, val, test): vmin, vmax train.min(), train.max() scale lambda x: np.clip((x - vmin) / (vmax - vmin 1e-8), 0, 1) return scale(train), scale(val), scale(test), (vmin, vmax) # 反归一化用于评估真实误差 def denormalize(x, vmin, vmax): return x * (vmax - vmin 1e-8) vmin参数说明1e-8是防止除以零的保险项。vmin/vmax一定要保存下来推理阶段和评估阶段都要用它反归一化否则算出来的 MAE 是归一化空间的没有业务意义。缺失值方面人流数据常见设备掉线导致的整片为零直接填零会让模型学到这里没人的错误模式我一般用前后时间片的均值插补或者干脆把缺失时段从样本里剔除。3. 模型选型ConvLSTM、SimVP 与时空注意力的取舍3.1 三种主流骨干的适用边界ConvLSTM 把 LSTM 的门控单元里的全连接换成卷积天然处理 (T, H, W) 输入参数量适中是入门首选。它的短板是长序列上梯度传播吃力预测步长超过 12 就容易糊。SimVP 走的是另一条路完全不用循环结构用编码器-解码器加中间的时间翻译模块训练快、并行度高在标准人流数据集上往往能打过 ConvLSTM代价是对突发事件的响应稍钝。时空注意力如基于 Transformer 的方案表达力最强能建模任意两点的关联但显存吃紧H×W 超过 64×64 就得考虑分块或稀疏注意力。我的建议是数据量小于一万个样本、网格小于 32×32先用 ConvLSTM 跑通基线数据充足且追求精度上 SimVP只有当你有明确的远程依赖证据比如跨区联动分析显示相关性显著时才值得投入注意力方案。深度学习模型部署时SimVP 的推理速度优势也会体现出来。3.2 一个可跑的 ConvLSTM 基线import torch import torch.nn as nn class ConvLSTMCell(nn.Module): def __init__(self, in_ch, hid_ch, kernel3): super().__init__() self.hid_ch hid_ch self.conv nn.Conv2d(in_ch hid_ch, 4 * hid_ch, kernel, paddingkernel // 2) def forward(self, x, h, c): combined torch.cat([x, h], dim1) gates self.conv(combined) i, f, o, g torch.split(gates, self.hid_ch, dim1) i, f, o, g torch.sigmoid(i), torch.sigmoid(f), \ torch.sigmoid(o), torch.tanh(g) c_next f * c i * g h_next o * torch.tanh(c_next) return h_next, c_next class ConvLSTM(nn.Module): def __init__(self, in_ch1, hid_ch64, pred_len6): super().__init__() self.cell ConvLSTMCell(in_ch, hid_ch) self.head nn.Conv2d(hid_ch, 1, 1) self.pred_len pred_len def forward(self, x): # x: (B, T, H, W) - (B, T, 1, H, W) x x.unsqueeze(2) B, T, _, H, W x.shape h torch.zeros(B, self.cell.hid_ch, H, W, devicex.device) c torch.zeros_like(h) for t in range(T): h, c self.cell(x[:, t], h, c) # 用最后一帧隐状态直接回归多步 out self.head(h) # (B, 1, H, W) return out.unsqueeze(1).repeat(1, self.pred_len, 1, 1, 1)逻辑说明ConvLSTMCell里把输入和上一时刻隐状态在通道维拼接一次卷积产出四个门这是标准实现。forward里逐时间步推进最后用 1×1 卷积把隐状态映射回单通道再复制成预测步长。参数说明hid_ch64是隐层通道数网格大或数据复杂可以加到 128但显存会翻倍kernel3是卷积核保持 padding 一致以维持空间尺寸。这个基线在 32×32 网格、几千样本上通常能收敛如果 loss 不降先检查归一化和学习率。3.3 训练循环与损失函数的选择人流预测的损失函数别只用 MSE。MSE 对大值敏感会让模型偏向预测高峰而低估低谷而低谷区域的误差在业务上同样重要。我一般用 MSE 加一个对高值区域的加权或者直接用 Smooth L1。优化器 Adam初始学习率 1e-3配合余弦退火batch size 按显存给到 16 或 32。model ConvLSTM(hid_ch64, pred_len6).cuda() opt torch.optim.Adam(model.parameters(), lr1e-3) sched torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max50) loss_fn nn.SmoothL1Loss() for epoch in range(50): model.train() for x, y in train_loader: # x:(B,T,H,W) y:(B,pred,H,W) x, y x.cuda(), y.cuda() pred model(x).squeeze(2) # (B, pred, H, W) loss loss_fn(pred, y) opt.zero_grad(); loss.backward(); opt.step() sched.step()参数说明T_max50要和总 epoch 数一致否则学习率退火节奏错位。SmoothL1Loss在误差小于 1 时是平方项、大于 1 时是线性项对异常峰值更鲁棒。训练时记得每个 epoch 后在验证集上算反归一化后的 MAE 和 RMSE只看训练 loss 会骗自己。4. 避坑与排查人流预测里最容易翻车的五件事4.1 验证集指标好得离谱现象验证集 MAE 远低于训练集或者低到不符合业务常识。原因滑动窗口切样本时验证集用了 stride1相邻样本高度重叠等于变相泄漏。解决验证和测试的 stride 必须等于 pred_len保证预测区间不重叠重算指标。4.2 模型预测全是平均值现象预测出来的热力图一片模糊高峰被削平。原因MSE 损失主导模型学会了输出条件均值来最小化期望误差。解决换 Smooth L1 或对高值区域加权也可以在输入里加入时间嵌入小时、星期几的 one-hot让模型区分高峰和低谷模式。4.3 显存爆炸训练中断现象跑到一半 CUDA out of memory。原因网格尺寸大加上 hid_ch 高或者历史步长太长。解决先把 hist_len 从 12 降到 6 试或者把 hid_ch 减半实在要保留长序列用梯度检查点gradient checkpointing换显存代价是训练慢三成。4.4 推理时结果和训练对不上现象训练好的模型上线后预测值量纲完全不对。原因推理时忘了用训练集的 vmin/vmax 反归一化或者输入没有做同样的归一化。解决把归一化参数和模型一起打包保存推理前先归一化输入、输出后反归一化写成一个统一的 predict 函数。4.5 突发事件完全预测不到现象演唱会、暴雨导致的人流骤变模型毫无反应。原因模型只学了历史统计规律没有外部变量输入。解决把天气、节假日、事件日历作为额外通道拼进输入张量或者在预测后接一个异常检测模块做修正。纯靠历史流量预测突变本身就是不现实的期待。5. 让预测真正可用滚动预测与在线更新的几个技巧模型训完只是开始真正上线要解决预测未来 72 小时这种长跨度需求。直接让模型一次输出 144 个时间片误差会累积到没法看。我一般用滚动预测每次只预测 pred_len 步然后把预测结果拼回历史窗口滑动着往后推。这样每一步的输入都包含最新的预测值虽然仍有误差传播但比一次性长输出稳得多。def rolling_predict(model, init_hist, total_steps, pred_len, vmin, vmax): init_hist: (hist_len, H, W) 初始历史窗口已归一化 total_steps: 要预测的总步数比如 144 model.eval() hist init_hist.copy() results [] with torch.no_grad(): while len(results) total_steps: x torch.tensor(hist[None], dtypetorch.float32).cuda() pred model(x).squeeze(2).cpu().numpy()[0] # (pred_len,H,W) take min(pred_len, total_steps - len(results)) results.append(pred[:take]) # 把预测拼回历史保持窗口长度不变 hist np.concatenate([hist[take:], pred[:take]], axis0) out np.concatenate(results, axis0) return out * (vmax - vmin 1e-8) vmin # 反归一化参数说明total_steps按业务定30 分钟粒度下 72 小时就是 144。take处理最后一段不足 pred_len 的情况。这个函数里hist的滚动更新是关键别用原始历史一直当输入否则模型永远看不到自己刚预测出的趋势。在线更新方面人流模式会随季节和城市变化漂移固定模型跑三个月就会退化。我的习惯是每周用最近一个月的数据做一次增量微调学习率调到 1e-4只训几个 epoch既跟得上变化又不至于灾难性遗忘。验证方法上除了 MAE/RMSE一定要看分时段的误差曲线——如果只在早晚高峰误差大说明模型对峰值建模不足如果全天均匀偏高多半是归一化或偏置问题。这套流程我在几个商圈项目里反复用过最深的教训是别迷信模型结构数据质量和验证集切分方式对最终效果的影响往往比换个更炫的骨干网络大得多。希望帮到你。本文还有配套的精品资源点击获取