面向起讫点需求预测的连续时间与多层次图表示学习
机器学习
2022-07-01 v1
摘要
基于深度神经网络的交通需求预测在学术界和工业界都引起了广泛关注。其中，成对起讫点（OD）需求预测是一个有价值但具有挑战性的问题，原因包括：（i）可能的 OD 对数量巨大；（ii）空间依赖的隐式性；（iii）交通状态的复杂性。为解决上述问题，本文提出一种面向起讫点需求预测的连续时间与多层次动态图表示学习方法（CMOD）。首先，构建连续时间动态图表示学习框架，为每个交通节点（地铁站或出租车区域）维护一个动态状态向量。状态向量保留历史交易信息，并根据最近发生的交易持续更新。其次，提出多层次结构学习模块来建模站点级节点的空间依赖性。它不仅能从数据中自适应地挖掘节点间关系，还能通过簇级和区域级虚拟节点共享消息与表示。最后，设计跨层次融合模块以整合多层次记忆并生成用于最终预测的综合节点表示。在北京地铁和纽约出租车两个真实数据集上进行了大量实验，结果证明了我们的模型相对于最先进方法的优越性。
引用
@article{arxiv.2206.15005,
title = {Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction},
author = {Liangzhe Han and Xiaojian Ma and Leilei Sun and Bowen Du and Yanjie Fu and Weifeng Lv and Hui Xiong},
journal= {arXiv preprint arXiv:2206.15005},
year = {2022}
}