Deep-Gap：一种基于时间序列成像与残差学习的众包供需缺口预测深度学习框架
网络与互联网体系结构
2019-11-19 v1 人机交互
机器学习
机器学习
摘要
随着可无缝收集并将所需数据推送至云服务的智能手机的普及，移动众包变得更为便捷。然而，移动众包的成功依赖于首先在空间与时间上准确预测供需缺口以平衡供给与需求，随后提供高效激励以鼓励参与者移动来维持期望平衡。本文中，我们提出 Deep-Gap，一种基于残差学习以预测给定时空下移动众包服务供需缺口的深度学习方案。该预测可驱动激励模型实现地理均衡的服务覆盖，从而避免某些区域供过于求而其他区域供不应求。这使得预判供需缺口并将众包服务提供者引导至目标区域成为可能。Deep-Gap 依赖历史供需时间序列数据以及可用外部数据，如天气状况与日期类型（如工作日、周末、假日）。首先，我们使用格拉姆角求和场（GASF）、格拉姆角差场（GADF）与递归图（REC）将供需时间序列滚动编码为图像。这些图像随后用于训练深度卷积神经网络（CNN）以提取低层与高层特征并预测众包服务缺口。我们通过建立含外部数据与不含外部数据两种供需缺口预测场景开展综合比较研究。相较 SOTA 方法，Deep-Gap 在两种场景中均取得最低预测误差。
引用
@article{arxiv.1911.07625,
title = {Deep-Gap: A deep learning framework for forecasting crowdsourcing supply-demand gap based on imaging time series and residual learning},
author = {Ahmed Ben Said and Abdelkarim Erradi},
journal= {arXiv preprint arXiv:1911.07625},
year = {2019}
}
备注
Accepted at CloudCom 2019 Conference