用于出租车需求预测的深层多视角时空网络
机器学习
2018-02-28 v2 机器学习
摘要
出租车需求预测是智慧城市中实现智能交通系统的重要基石。准确的预测模型可帮助城市预先调配资源以满足出行需求，并减少街道上空驶出租车，后者浪费能源并加剧交通拥堵。随着 Uber 及滴滴出行（中国）等打车服务的日益普及，我们能够持续收集大规模出租车需求数据。如何利用此类大数据改进需求预测是一个有趣且关键的现实问题。传统需求预测方法多依赖时间序列预测技术，难以刻画复杂的非线性空间与时间关系。深度学习近期在图像分类等传统困难任务上展现出卓越性能，其从大规模数据中学习复杂特征与关联。这一突破启发研究者探索深度学习技术在交通预测问题上的应用。然而，现有交通预测方法仅独立考虑空间关系（如采用 CNN）或时间关系（如采用 LSTM）。我们提出一种深层多视角时空网络（DMVST-Net）框架以同时建模空间与时间关系。具体而言，我们所提模型由三视角构成：时间视角（通过 LSTM 建模未来需求值与邻近时间点的关联）、空间视角（通过局部 CNN 建模局部空间相关性）以及语义视角（建模具有相似时间模式的区域间关联）。在大规模真实出租车需求数据上的实验证明了我们的方法相对于最先进方法的的有效性。
引用
@article{arxiv.1802.08714,
title = {Deep Multi-View Spatial-Temporal Network for Taxi Demand Prediction},
author = {Huaxiu Yao and Fei Wu and Jintao Ke and Xianfeng Tang and Yitian Jia and Siyu Lu and Pinghua Gong and Jieping Ye and Zhenhui Li},
journal= {arXiv preprint arXiv:1802.08714},
year = {2018}
}
备注
AAAI 2018 paper