一种基于聚类的共享单车系统出行预测图神经网络模型

共享单车系统（BSSs）正作为一种创新交通服务兴起。鉴于这些系统致力于通过促进环境和经济可持续性并助力提升人口生活质量来消除当前诸多全球性问题，确保其正常运行至关重要。充分了解用户的转移模式是对服务质量和可操作性的决定性贡献。类似且不平衡的用户转移模式导致这些系统遭受自行车不平衡之苦，长期而言造成客户急剧流失。自行车再平衡策略对于解决此问题变得重要，而为此，自行车流量预测必不可少，因为它允许更高效地运营并提前做出反应。在这项工作中，我们提出了一种基于图神经网络嵌入的自行车出行预测器，考虑了站点分组、气象条件、地理距离和出行模式。我们在纽约市共享单车系统（CitiBike）数据上评估了我们的方法，并将其与包括非聚类方法在内的四种基线进行比较。为解决我们问题的特殊性，我们开发了自适应转移约束聚类增强（AdaTC+）算法，消除了先前工作的缺陷。我们的实验证明了聚类的恰当性（88% 准确率对比无聚类的 83%）以及哪种聚类技术最适合此问题。在站点相同的情况下，AdaTC+ 在链接预测任务上的准确率始终高于基准聚类方法，而在网络升级且与训练模型不匹配时性能也未退化。