基于网格的电滑板需求表示及深度学习时序输入设计框架：来自德州奥斯汉的实证研究

尽管深度学习在共享微交通需求预测方面取得了进展，但时序输入结构的系统设计与统计验证仍未得到充分探讨。时序特征往往被选择为经验性方法，尽管历史需求对模型性能和可解释性具有重要影响。本文引入一个可复现的数据处理管道和一个基于统计学的方法，用于设计图像到图像需求预测的时序输入结构。利用德州奥斯汉大规模电滑板数据，我们通过将行程记录转换为小时级 pickup 与 dropoff 需求图像，构建了一个基于网格的时空数据集。该管道包括行程过滤、将 Census Tracts 映射到空间位置、网格构建、需求聚合以及创建限制评估范围为历史活跃区域的全局活动掩码。这种表示方式支持一致的空间学习，同时保留需求模式。随后，我们引入一种结合相关性和误差的程序，以识别信息丰富的历史输入。通过使用基准 UNET 模型进行剖析研究，结合配对非参数检验和 Holm 校正，选择最优时序深度。所得时序结构捕获了短期持久性以及日周期和周周期。与相邻小时和固定周期基准相比，所提出的设计在预测下一小时需求时将均方误差降低最高 37%，在预测下一 24 小时需求时降低最高 35%。这些结果凸显了以原则性数据构建和经统计学验证的时序输入设计在时空微交通需求预测中的价值。