基于补全与增强的时空深度学习方法用于有限可观测数据下的短期地铁起讫矩阵预测
人工智能
2022-10-19 v8
摘要
短期 OD 流（即站点间出行的乘客数量）预测对地铁系统的交通管理至关重要。由于最新完整 OD 流采集的延迟效应，以及高维 OD 流复杂的时空相关性，其比其他时间序列交通预测任务更具挑战性。现有方法因未充分利用实时乘客出行数据、未充分建模站点间出行模式的隐含相关性而有待改进。本文提出一种基于补全的自适应异构图卷积时空预测器。其新颖性主要体现在两方面：一是基于关键数据驱动洞察（从某站出发的乘客目的地分布与具有相似属性（如地理位置、区域功能）的其他站点相关），通过建立高维已观测 OD 流与预测目标 OD 流间的隐含相关性来建模实时出行演化；二是通过考虑实时出行演化与站间时间成本估计未完行程的目的地分布，补全最新不完整 OD 流，作为时间序列预测的基础并提升模型动态适应性。在两个真实世界地铁数据集上的大量实验证明了我们的模型优于其他对比模型，最大性能提升近 4%。此外，我们提出的数据补全框架可集成到其他模型中，使其性能提升达 2.1%。
引用
@article{arxiv.2108.03900,
title = {Completion and Augmentation based Spatiotemporal Deep Learning Approach for Short-Term Metro Origin-Destination Matrix Prediction under Limited Observable Data},
author = {Jiexia Ye and Juanjuan Zhao and Furong Zheng and Chengzhong Xu},
journal= {arXiv preprint arXiv:2108.03900},
year = {2022}
}
备注
16 pages, 13 figures, 6 tables