CROSS-Net：基于特征解耦的区域无关出租车需求预测
机器学习
2026-04-28 v2
摘要
随着网约车服务需求的不断增长，对准确出租车需求预测的需求日益增加。现有系统仅限于特定区域，缺乏对未知区域的泛化能力。本文提出了一种新颖的出租车需求预测系统，利用多视图图神经网络的优势来捕捉城市环境中的时空依赖与模式。此外，所提出的系统 CROSS-Net 采用空间可迁移的方法，使其能够训练出可部署到先前未见过区域的模型。为实现这一点，该框架借助变分自编码器（Variational Autoencoder）的能力，将输入特征解耦为区域特定和区域无关的组件。区域无关特征促进了跨区域的出租车需求预测，使模型能够在不同城市区域间良好泛化。实验结果表明，CROSS-Net 即使在先前未观测到的区域也能准确预测出租车需求，从而展示了其在优化出租车服务和更广泛提升交通效率方面的潜力。
引用
@article{arxiv.2310.18215,
title = {CROSS-Net: Region-Agnostic Taxi-Demand Prediction Using Feature Disentanglement},
author = {Ren Ozeki and Haruki Yonekura and Aidana Baimbetova and Hamada Rizk and Hirozumi Yamaguchi},
journal= {arXiv preprint arXiv:2310.18215},
year = {2026}
}
备注
An accepted journal article on IEEE Transactions on Intelligent Transportation System