DeepSTCL：一种用于出行需求预测的深度时空 ConvLSTM
机器学习
2020-09-02 v1 信号处理
摘要
城市资源调度是智慧城市建设的重要部分，而交通资源是城市资源的主要组成部分。当前，交通资源一系列如分布不均衡与道路拥堵等问题扰乱了调度秩序。因此，预测出行需求对城市资源调度具有重要意义。此前，传统时间序列模型如 AR、ARIMA 等被用于预测出行需求。然而，这些方法的预测效率低且训练时间过长。为提升性能，深度学习被用以辅助预测。但多数深度学习方法在预测过程中仅利用数据的时间依赖或空间依赖。为应对这些局限，本文提出一种基于深度时空 ConvLSTM 的新型深度学习交通需求预测框架。为评估该框架性能，设计了一个端到端深度学习系统并使用真实数据集。此外，所提方法可同时捕获时间依赖与空间依赖。时空数据的 closeness、period 与 trend 分量被用于三个预测分支。这些分支具有相同的网络结构但不共享权重。随后使用线性融合方法得到最终结果。最后，在成都 DIDI 订单数据集上的实验结果表明，我们的方法在精度与速度上均优于传统模型。
引用
@article{arxiv.2009.00096,
title = {DeepSTCL: A Deep Spatio-temporal ConvLSTM for Travel Demand Prediction},
author = {Dongjie Wang and Yan Yang and Shangming Ning},
journal= {arXiv preprint arXiv:2009.00096},
year = {2020}
}