基于多重时空融合网络的共享单车系统需求预测
计算机视觉与模式识别
2021-11-09 v2
摘要
共享单车系统（BSSs）已在全球范围内日益普及，并吸引了广泛的研究兴趣。本文研究了 BSSs 中的需求预测问题。空间和时间特征对 BSSs 中的需求预测至关重要，但提取时空动态具有挑战性。另一挑战是捕捉时空动态与外部因素（如天气、星期几和一天中的时刻）之间的关系。为应对这些挑战，我们提出了一种称为 MSTF-Net 的多重时空融合网络。MSTF-Net 由多个时空块组成：三维卷积网络（3D-CNN）块、精确三维卷积长短期记忆网络（E3D-LSTM）块，以及全连接（FC）块。具体而言，3D-CNN 块着重提取各片段（即邻近、周期和趋势）中的短期时空依赖；E3D-LSTM 块进一步提取所有片段上的长期时空依赖；FC 块提取外部因子的非线性关联。最后，将 E3D-LSTM 和 FC 块的潜在表示融合以获得最终预测。在两个真实世界数据集上，MSTF-Net 被证明优于七种最先进的模型。
引用
@article{arxiv.2010.03027,
title = {Demand Forecasting in Bike-sharing Systems Based on A Multiple Spatiotemporal Fusion Network},
author = {Xiao Yan and Gang Kou and Feng Xiao and Dapeng Zhang and Xianghua Gan},
journal= {arXiv preprint arXiv:2010.03027},
year = {2021}
}
备注
12 pages, 15 figures