面向通勤流预测的可解释层次化城市表征学习
机器学习
2024-10-24 v4 社会与信息网络
摘要
通勤流预测是现实世界中市政运营的一项基本任务。先前的研究表明，利用多种辅助数据估计城市内的通勤起讫点（OD）需求是可行的。然而，由于需要维护的地理单元数量增加，大多数现有方法不适用于处理更大规模（例如在县或全国范围内）的类似任务。此外，区域表征学习是为多样化都市下游任务获取城市知识的通用方法。尽管许多研究者开发了综合框架，利用多源数据描述城市单元，但他们并未阐明所选地理要素之间的关系。此外，都市区天然保留着等级结构，如城市及其下属区域，这使得阐明跨层级城市单元之间的关系成为必要。因此，我们开发了一个基于异构图模型，用于在多个空间分辨率下生成有意义的区域嵌入，以预测不同类型的跨层级 OD 流。为证明所提方法的有效性，我们使用从日本静冈县收集的真实聚合手机数据集进行了广泛实验。结果表明，我们提出的模型在统一城市结构方面优于现有模型。我们通过合理解释来扩展对预测结果的理解，以增强模型的可信度。
引用
@article{arxiv.2408.14762,
title = {Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction},
author = {Mingfei Cai and Yanbo Pang and Yoshihide Sekimoto},
journal= {arXiv preprint arXiv:2408.14762},
year = {2024}
}