网格与图之分：面向出租车供需预测的空间划分改进
机器学习
2019-02-19 v1 机器学习
摘要
准确的出租车供需预测是智能交通系统（ITS）中一项具有挑战性的应用，其难点在于复杂的时空模式。我们研究了在出租车供需预测背景下，不同空间划分技术对LSTM（长短期记忆）网络预测性能的影响。我们考虑两种镶嵌方案：（i）可变尺寸的Voronoi镶嵌，以及（ii）固定尺寸的Geohash镶嵌。虽然广泛使用的ConvLSTM（卷积LSTM）可以对固定尺寸的Geohash划分进行建模，但标准卷积滤波器无法应用于可变尺寸的Voronoi划分。为探索Voronoi镶嵌方案，我们提出使用GraphLSTM（基于图的LSTM），将Voronoi空间划分表示为任意结构图上的节点。在三个真实世界大规模出租车供需数据集上，采用不同性能指标，GraphLSTM以更低的计算复杂度提供了与ConvLSTM相竞争的性能。为确保在多种设置下均具有优越性能，我们在ConvLSTM和GraphLSTM网络上应用了基于HEDGE的集成学习算法。
引用
@article{arxiv.1902.06515,
title = {Grids versus Graphs: Partitioning Space for Improved Taxi Demand-Supply Forecasts},
author = {Neema Davis and Gaurav Raina and Krishna Jagannathan},
journal= {arXiv preprint arXiv:1902.06515},
year = {2019}
}
备注
Submitted to IEEE Transactions on Intelligent Transportation Systems