ICN：用于共享微出行出行需求预测的交互式卷积网络
计算机与社会
2023-06-27 v1 人工智能
摘要
准确的共享微出行需求预测对交通规划与管理至关重要。尽管深度学习模型为处理需求预测问题提供了有力工具，但关于高精度时空共享微出行需求预测的研究仍然匮乏。本文提出一种名为交互式卷积网络(Interactive Convolutional Network, ICN)的深度学习模型，用于预测共享微出行的时空出行需求。该模型基于出行行为知识，利用多维空间信息（即人口统计、功能性与交通供给）提出了一种新颖的通道扩张方法以构建深度学习模型。我们使用卷积操作处理扩张后的张量，以同时捕捉时间与空间依赖关系。基于二叉树结构架构与交互式卷积，ICN 模型在不同时间分辨率下提取特征，并通过全连接层生成预测。所提模型在伊利诺伊州芝加哥与得克萨斯州奥斯汀的两个真实案例研究中进行了评估。结果表明 ICN 模型显著优于所有选定的基准模型。该模型预测可帮助微出行运营商制定最优车辆再平衡方案，并引导城市更好地管理共享微出行系统。
引用
@article{arxiv.2306.13897,
title = {ICN: Interactive Convolutional Network for Forecasting Travel Demand of Shared Micromobility},
author = {Yiming Xu and Qian Ke and Xiaojian Zhang and Xilei Zhao},
journal= {arXiv preprint arXiv:2306.13897},
year = {2023}
}