用于城市级重点网约车需求预测的深度多视角时空虚拟图神经网络
机器学习
2020-09-11 v5 人工智能
摘要
城市网约车需求预测是智能交通系统构建中关键却具挑战的任务。可预测的需求有助于更合理的车辆调度与网约车平台派单。常规深度学习方法在无外部结构化数据时可通过 CNN 与 RNN 混合模型网格化大量像素级标注数据来完成，但空间数据稀疏性与时间长期依赖的有限学习能力仍是两个突出瓶颈。为应对这些局限，我们提出一种新的虚拟图建模方法以聚焦于重点需求区域，以及一种新颖的深度多视角时空虚拟图神经网络（DMVST-VGNN）以增强空间动态与时序长期依赖的学习能力。具体而言，DMVST-VGNN 集成了 1D 卷积神经网络、多图注意力神经网络与 Transformer 层的结构，分别对应短期时间动态视角、空间动态视角与长期时间动态视角。本文在细粒度预测场景下的两个大规模纽约市数据集上开展实验，结果表明 DMVST-VGNN 框架在城市级重点网约车需求预测中的有效性与优越性。
引用
@article{arxiv.2007.15189,
title = {Deep Multi-View Spatiotemporal Virtual Graph Neural Network for Significant Citywide Ride-hailing Demand Prediction},
author = {Guangyin Jin and Zhexu Xi and Hengyu Sha and Yanghe Feng and Jincai Huang},
journal= {arXiv preprint arXiv:2007.15189},
year = {2020}
}