基于跨模式知识共享的共享单车需求预测：一种图深度学习方法
机器学习
2022-03-22 v1 人工智能
摘要
共享单车是城市交通系统中日益普及的部分。准确的需求预测是支持及时再平衡并保障服务效率的关键。大多数现有共享单车需求预测模型仅基于其自身历史需求变化，本质上将共享单车视为封闭系统并忽视不同交通模式间的相互作用。这一点尤为重要，因为共享单车常被用于补充其他模式（如公共交通）的出行。尽管近期有一些努力，现有方法尚无法利用具有异构空间单元的多种模式中的时空信息。为填补这一研究空白，本研究提出一种基于图的深度学习共享单车需求预测方法（B-MRGNN），以多模式历史数据作为输入。跨模式的空间依赖通过多个模式内与模式间图进行编码。引入多关系图神经网络（MRGNN）以捕捉跨模式空间单元（如共享单车站点、地铁站或网约车区域）间的相关性。利用来自纽约市的真实共享单车、地铁和网约车数据进行了大量实验，结果证明了我们所提方法相较现有方法的优越性能。
引用
@article{arxiv.2203.10961,
title = {Bike Sharing Demand Prediction based on Knowledge Sharing across Modes: A Graph-based Deep Learning Approach},
author = {Yuebing Liang and Guan Huang and Zhan Zhao},
journal= {arXiv preprint arXiv:2203.10961},
year = {2022}
}