使用时空图卷积网络预测共享单车系统可用量的比较研究
机器学习
2021-07-08 v2 系统与控制
系统与控制
摘要
准确预测交通需求对于高效的城市交通引导、控制与管理至关重要。提升预测精度水平的一种方案是利用图卷积网络（GCN）——一种能够处理图结构中所包含数据的基于神经网络的建模方法。作为GCN的强大扩展，时空图卷积网络（ST-GCN）旨在捕捉图形节点中跨空间与时间维度的数据关系，为分析涉及空间信息的复杂时间序列数据（如交通应用场景中所见）提供了一种新颖的深度学习范式。本文提出一种基于注意力的ST-GCN（AST-GCN）用于预测城市中共享单车系统的可用自行车数量，其中引入注意力机制以进一步提升ST-GCN的性能。此外，我们还讨论了邻接矩阵不同建模方法对所提架构的影响。我们使用两个真实世界数据集Dublinbikes和NYC-Citi Bike展示实验结果，以证明我们所提模型优于大多数现有方法的有效性。
引用
@article{arxiv.2104.10644,
title = {A Comparative Study of Using Spatial-Temporal Graph Convolutional Networks for Predicting Availability in Bike Sharing Schemes},
author = {Zhengyong Chen and Hongde Wu and Noel E. O'Connor and Mingming Liu},
journal= {arXiv preprint arXiv:2104.10644},
year = {2021}
}
备注
This manuscript has been accepted at the IEEE ITSC 2021