基于域对抗图神经网络利用跨模式知识适配进行共享单车需求预测
机器学习
2022-11-17 v1 人工智能
摘要
对于共享单车系统，需求预测对于根据预测需求及时重新平衡可用单车至关重要。现有的共享单车需求预测方法大多基于其自身历史需求变化，本质上将其视为封闭系统而忽略了不同交通模式间的相互作用。这一点对共享单车尤为重要，因为它常被用于补充其他模式（如公共交通）的出行。尽管近期取得一些进展，现有方法均无法利用多模式的时空信息并显式考虑它们之间的分布差异，这易导致负迁移。为应对这些挑战，本研究提出一种域对抗多关系图神经网络（DA-MRGNN），以多模式历史数据作为输入进行共享单车需求预测。引入时间对抗适配网络从不同模式的需求模式中提取可共享特征。为捕捉跨模式空间单元间的相关性，我们采用考虑跨模式相似性与差异的多关系图神经网络（MRGNN）。此外，开发了可解释的 GNN 技术以理解所提模型如何做出预测。使用来自纽约市的真实共享单车、地铁和网约车数据进行了大量实验。结果证明了所提方法相较现有方法的优越性能及各模型组件的有效性。
引用
@article{arxiv.2211.08903,
title = {Cross-Mode Knowledge Adaptation for Bike Sharing Demand Prediction using Domain-Adversarial Graph Neural Networks},
author = {Yuebing Liang and Guan Huang and Zhan Zhao},
journal= {arXiv preprint arXiv:2211.08903},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2203.10961