用于出租车起讫需求预测的上下文时空网络
机器学习
2019-05-17 v1 人工智能
机器学习
摘要
由于出租车需求预测在大规模智能交通系统中的巨大潜在应用，近年来吸引了越来越多的研究兴趣。然而，以往大多数方法仅考虑出发区域中的出租车需求预测，而忽略了对目的地乘客具体情形的建模。我们认为仅基于出租车出发需求将出租车预分配到各区域是次优的。在本文中，我们提出了一项具有挑战性且值得探索的任务，称为出租车起讫需求预测，旨在预测未来时间间隔内所有区域对之间的出租车需求。其主要挑战在于如何有效捕获多样的上下文信息以学习需求模式。我们用一种新颖的上下文时空网络（CSTN）来解决该问题，该网络由三个组件分别用于局部空间上下文（LSC）、时间演化上下文（TEC）和全局关联上下文（GCC）的建模。首先，LSC 模块利用两个卷积神经网络分别从出发视角和目的地视角学习出租车需求的局部空间依赖关系。其次，TEC 模块将出租车需求的局部空间特征与气象信息一并输入卷积长短期记忆网络（ConvLSTM）以分析出租车需求演化。最后，GCC 模块通过计算全局关联特征作为所有区域特征的加权和来建模所有区域间的关联，权重由对应区域对之间的相似度计算得出。在大规模数据集上的大量实验与评估充分证明了我们的 CSTN 在其他对比方法中对出租车起讫需求预测的优越性。
引用
@article{arxiv.1905.06335,
title = {Contextualized Spatial-Temporal Network for Taxi Origin-Destination Demand Prediction},
author = {Lingbo Liu and Zhilin Qiu and Guanbin Li and Qing Wang and Wanli Ouyang and Liang Lin},
journal= {arXiv preprint arXiv:1905.06335},
year = {2019}
}