上下文感知的共享单车系统需求预测：融合空间、气象与日历上下文
机器学习
2021-05-05 v1
摘要
全球大城市的共享单车需求正在增长。然而，共享单车系统的正常运行依赖于一天中自行车在地理上的均衡分布。在此背景下，理解借还车的时空分布对于站点均衡与单车调度至关重要。尽管如此，近期深度学习与基于距离的预测器在共享单车需求预测上成功有限。这一持续现象被假设由以下原因驱动：i) 需求与站点气象及情境上下文的强依赖；ii) 空间感知的缺失，因为多数预测器无法建模高低负载站点对邻近站点的影响。本文提出一套新原则，在站点需求预测模型中融合历史与预期的空间、气象、情境及日历上下文。为此，提出了一种由串行长短期记忆（LSTM）组件构成的新型循环神经网络分层，具有两项主要贡献：i) 在输入层输入由历史上下文数据生成的多变量时间序列掩码；ii) 利用预期上下文数据对预测时间序列进行时间相关正则化。本文进一步评估了引入不同上下文来源的影响，显示了所提原则对学界的相关性，尽管并非所有上下文感知预测器的改进均具统计显著性。
引用
@article{arxiv.2105.01125,
title = {Context-aware demand prediction in bike sharing systems: incorporating spatial, meteorological and calendrical context},
author = {Cláudio Sardinha and Anna C. Finamore and Rui Henriques},
journal= {arXiv preprint arXiv:2105.01125},
year = {2021}
}