结合时间序列与文本数据用于事件区域出租车需求预测：一种深度学习方法
机器学习
2018-08-17 v1 计算与语言
机器学习
摘要
准确的时间序列预测在交通、能源、金融、经济等众多应用领域至关重要。然而，尽管现代技术能够利用大量时序数据构建预测模型，它们通常忽略了常以非结构化文本形式存在的宝贵信息。尽管此类数据格式截然不同，却往往包含对时序数据中许多模式的环境解释。本文提出两种深度学习架构，利用词嵌入、卷积层和注意力机制将文本信息与时间序列数据相结合。我们将这些方法应用于事件区域的出租车需求预测问题。使用纽约公开出租车数据，我们实证表明，通过融合这两种互补的跨模态信息源，所提模型能够显著降低预测误差。
引用
@article{arxiv.1808.05535,
title = {Combining time-series and textual data for taxi demand prediction in event areas: a deep learning approach},
author = {Filipe Rodrigues and Ioulia Markou and Francisco Pereira},
journal= {arXiv preprint arXiv:1808.05535},
year = {2018}
}
备注
20 pages, 6 figures