面向网约车系统多任务学习的时空混合专家门控集成方法
机器学习
2024-09-09 v6
摘要
网约车系统需要高效管理动态需求与供给，以确保最优的服务交付、定价策略和运营效率。以任务维度和城市维度分别设计时空预测模型来预测网约车系统中的需求和供需缺口，给不断扩张的出行网络公司带来了负担。因此，本研究提出了一种多任务学习架构，通过构建时空混合专家网络门控集成（GESME-Net），结合卷积循环神经网络（CRNN）、卷积神经网络（CNN）和循环神经网络（RNN），用于同时预测一个城市内以及跨不同城市的这些时空任务。此外，架构中集成了任务自适应层，以学习多任务学习中的联合表示，并揭示预测中所用输入特征的贡献。所提架构使用来自滴滴出行的数据进行测试：(i) 同时预测北京的需求和供需缺口；(ii) 同时预测成都和西安的需求。在两种场景中，我们提出的架构中的模型均优于单任务和多任务深度学习基准以及基于集成的机器学习算法。
引用
@article{arxiv.2012.15408,
title = {Gated Ensemble of Spatio-temporal Mixture of Experts for Multi-task Learning in Ride-hailing System},
author = {M. H. Rahman and S. M. Rifaat and S. N. Sadeek and M. Abrar and D. Wang},
journal= {arXiv preprint arXiv:2012.15408},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2012.08868