用于短期人口预测的基于注意力的上下文多视图图卷积网络
机器学习
2022-03-02 v1 人工智能
计算机与社会
摘要
短期未来人口预测是城市计算中的一个关键问题。准确的未来人口预测可以为城市规划者或开发者提供丰富的洞见。然而，由于其复杂的时空依赖性，预测未来人口是一项具有挑战性的任务。许多现有工作尝试通过将城市划分为网格并使用卷积神经网络（CNN）来捕获空间相关性。然而，CNN仅通过使用矩形滤波器捕获空间相关性；它忽略了诸如铁路分布和兴趣点（POI）位置等城市环境信息。此外，这类信息对人口预测的重要性在每个区域都不同，并受到天气状况和星期几等上下文情境的影响。为了解决这个问题，我们提出了一种新颖的深度学习模型，称为基于注意力的上下文多视图图卷积网络（ACMV-GCNs）。我们首先基于城市环境信息构建多个图，然后ACMV-GCNs利用图卷积网络从各种视图捕获空间相关性。此外，我们添加了一个注意力模块，以在利用城市环境信息进行未来人口预测时考虑上下文情境。使用通过手机收集的统计人口数量数据，我们证明了所提出的模型优于基线方法。此外，通过可视化注意力模块计算的权重，我们展示了我们的模型在没有任何先验知识的情况下，学会了利用城市环境信息的有效方式。
引用
@article{arxiv.2203.00489,
title = {Attention-based Contextual Multi-View Graph Convolutional Networks for Short-term Population Prediction},
author = {Yuki Kubota and Yuki Ohira and Tetsuo Shimizu},
journal= {arXiv preprint arXiv:2203.00489},
year = {2022}
}
备注
9 pages, 7 figures