事件感知的多模态出行即时预测
机器学习
2021-12-17 v1 人工智能
摘要
作为出行即服务（MaaS）成功的关键一环，针对人群移动的时空预测建模是一项具有挑战性的任务，尤其在由社会事件驱动出行行为偏离常态的场景中。尽管利用深度学习对高层时空规律性建模已取得巨大进展，但现有方法（即便不是全部）既未感知多种交通方式间的动态交互，也无法适应潜在社会事件带来的前所未有波动。为此，本文从两个角度改进经典时空网络（ST-Net）：（1）设计异构出行信息网络（HMIN）以显式表征多模态出行中的方式间关联；（2）提出记忆增强动态滤波器生成器（MDFG），以即时方式为多样场景生成序列特定参数。所增强的事件感知时空网络，即 EAST-Net，在涵盖广泛且多样社会事件的多个真实数据集上进行了评估。定量与定性实验结果均验证了我们的方法相较于最先进基线的优越性。代码与数据发布于 https://github.com/underdoc-wang/EAST-Net。
引用
@article{arxiv.2112.08443,
title = {Event-Aware Multimodal Mobility Nowcasting},
author = {Zhaonan Wang and Renhe Jiang and Hao Xue and Flora D. Salim and Xuan Song and Ryosuke Shibasaki},
journal= {arXiv preprint arXiv:2112.08443},
year = {2021}
}
备注
Accepted by AAAI 2022