利用制图增强深度学习改进开放系统中的需求预测

由于具有微妙且通常非线性的轨迹，预测跨不同领域的时间模式带来了重大挑战。为应对这一挑战，预测框架不断被改进，采用了数据驱动的统计方法、数学模型和机器学习。近期，作为具有挑战性的系统之一，公共自行车等共享交通系统因城市限制和环境问题而日益受到重视。由于系统的开放性以及各站点间不平衡的使用模式，预测自行车站点的借出和归还模式仍是一项艰巨的任务。在本研究中，我们提出了一种利用制图方法的深度学习框架来预测借出和归还模式。制图方法促进了对无训练数据的新建站点的需求预测以及长周期预测，这是以往未曾实现的。我们将该方法应用于韩国首尔的公共自行车借还数据，采用了时空卷积图注意力网络。我们改进的架构引入了批量注意力和修改的节点特征更新，以在不同时间尺度上获得更好的预测精度。我们展示了该框架在预测时间模式方面的有效性及其潜在应用。