面向交通需求预测的灵活节点图构建
摘要
图神经网络 (GNNs) 已广泛应用于交通需求预测，交通模式可分为基于站点的模式和自由浮动交通模式。现有的交通图构建研究主要依赖地图匹配，基于路网构建图。然而，自由浮动交通需求预测中数据分布的复杂性和不均匀性使得路网匹配缺乏灵活性。为应对这些挑战，本文介绍了一种专为自由浮动交通模式设计的新型图构建方法。我们提出了一种基于密度的新型聚类算法 (HDPC-L) 来确定图中节点的灵活位置，克服了传统聚类算法的计算瓶颈，并能够有效处理大规模数据集。此外，我们利用骑行数据提取有价值的信息以初始化 GNN 的边权重。在两个真实世界数据集（深圳共享单车数据集和海口网约车数据集）上的综合实验表明，该方法显著提升了模型性能。平均而言，我们的模型在两个数据集上的准确率分别提高了约 25% 和 19.5%。此外，它还显著提高了计算效率，在两个数据集上将训练时间分别减少了约 12% 和 32.5%。我们的代码已在 https://github.com/houjinyan/HDPC-L-ODInit 公开。
引用
@article{arxiv.2403.00276,
title = {Graph Construction with Flexible Nodes for Traffic Demand Prediction},
author = {Jinyan Hou and Shan Liu and Ya Zhang and Haotong Qin},
journal= {arXiv preprint arXiv:2403.00276},
year = {2025}
}
备注
We have decided to withdraw this paper temporarily as we have identified areas that require further refinement and additional research. Our goal is to ensure the highest quality and accuracy of our work before it is made available to the broader academic community. We appreciate your understanding and will submit an updated version once these improvements have been completed