如何用 Python 和循环神经网络预测严重交通拥堵？

本文为你介绍，如何从 Waze 交通事件开放数据中，利用序列模型找到规律，进行分类预测。以便相关部门可以未雨绸缪，提前有效干预可能发生的严重拥堵。

Photo by Denys Nevozhai on Unsplash

寻找

之前在《文科生如何理解循环神经网络（RNN）？》一文中，我为你讲解过循环神经网络的含义。《如何用 Python 和循环神经网络做中文文本分类？》一文，我又为你介绍了如何用循环神经网络对文本做分类。

我不希望给你一种错误的简单关联，即”循环神经网络只能用来处理文本数据”。

事实上，只要是序列数据，你都可以考虑一下循环神经网络。

我一直打算找个其他序列数据的样例，给你展示循环神经网络的更多应用场景。

但是这个数据不太好选择。

目前一个热门的应用场景，就是金融产品的价格预测。

每时每秒，金融产品的价格都在变动。把它汇集起来，是个典型的序列数据。

但是我一直不看好这种应用。因为金融产品的定价，应该是面向未来的。基于历史价格信息寻找波动规律，并对未来价格进行预测，实际上如同看着后视镜开车一般危险。

但是，还有很多人依然乐此不疲地尝试。很多时候，他们也能尝到成功的甜头。

这是为什么？

原因在于，金融市场的参与者，并非理性的机器，而是由人组成的群体。从行为金融学的角度来看，进化给人类思考与行为带来了一些 “快捷方式”，你可以利用它们从中渔利。

陆蓉教授的《行为金融学》栏目，对此有详细介绍。

例如，人们追涨杀跌，认为历史会重演；

例如，吸引大众关注到事件，总会带来买入；

例如，人们会倾向于投资于自己熟悉的标的；

例如，人们会购买下跌的已持仓标的，来摊薄成本。

……