基于图神经网络的共享单车系统扩展出行生成深度学习
机器学习
2023-10-09 v1 人工智能
摘要
共享单车正在全球范围内作为一种活跃、便捷和可持续的交通方式兴起。为规划成功的共享单车系统(BSSs)，许多城市从小规模试点起步，逐步扩展系统以覆盖更多区域。对于基于站点的 BSSs，这意味着随时间基于现有站点规划新站点，需要预测这些新站点在整个系统中产生的出行次数。以往研究通常依赖相对简单的回归或机器学习模型，在捕捉复杂空间关系方面存在局限。尽管深度学习用于出行需求预测的文献日益增长，但它们多基于时间序列数据开发用于短期预测，并假设系统无结构变化。本研究中，我们关注 BSS 扩展的出行生成问题，并提出一种图神经网络(GNN)方法，基于多源城市建成环境数据预测站点级需求。具体而言，它构建以每个目标站点为中心的多个局部图，并使用注意力机制学习站点间的相关权重。我们进一步说明所提方法可视为一种广义空间回归模型，表明空间回归与 GNNs 之间的共性。该模型基于来自纽约市的多年度 BSS 数据通过真实实验评估，结果验证了我们的方法相较现有方法的优越性能。我们还展示了模型的可解释性，以揭示建成环境特征与站点间空间交互的作用，可为 BSS 站点选址与容量规划提供策略指导。
引用
@article{arxiv.2303.11977,
title = {Deep trip generation with graph neural networks for bike sharing system expansion},
author = {Yuebing Liang and Fangyi Ding and Guan Huang and Zhan Zhao},
journal= {arXiv preprint arXiv:2303.11977},
year = {2023}
}