ALCNN：基于注意力模型的新城市无桩共享单车细粒度需求推断
机器学习
2019-09-27 v1 机器学习
摘要
近年来，无桩共享单车已在中国许多城市广泛普及，便利了人们的生活。然而，与此同时，由于需求与单车实际分布不匹配，也引发了诸多无桩共享单车管理问题。在将无桩共享单车部署到某城市之前，企业需要制定调度计划，将单车从过剩地点调配至高需求位置，以提供更好的服务。本文研究在新城市投放单车之前推断其任意位置细粒度单车需求的问题。该问题具有挑战性，因为新城市缺乏训练数据，且单车需求随地点和时间变化。为解决该问题，我们提供多种方法从多源地理数据（如POI、道路网络和夜间灯光）中提取每个地点的判别性特征。我们利用相关主成分分析（coPCA）处理旧城市与新城市的提取特征以实现分布适配。随后，我们采用基于离散小波变换（DWT）的模型从细粒度单车需求中挖掘每个地点的每日模式。我们提出一种基于注意力的局部CNN模型，即ALCNN，利用多个CNN将coPCA的潜在特征与每日模式进行推断，以建模邻近地点的影响。此外，ALCNN融合多个CNN的潜在特征，并能够选择合适的影响区域大小。在真实数据集上的大量实验表明，所提方法优于对比方法。
引用
@article{arxiv.1909.11760,
title = {ALCNN: Attention-based Model for Fine-grained Demand Inference of Dock-less Shared Bike in New Cities},
author = {Chang Liu and Yanan Xu and Yanmin Zhu},
journal= {arXiv preprint arXiv:1909.11760},
year = {2019}
}