通过不规则卷积神经网络改进共享单车短期需求预测

作为共享单车系统管理的一项重要任务，准确预测出行需求有助于自行车的调度与重新分配，从而提升用户满意度。近年来，许多深度学习算法被引入以改进自行车使用量预测。典型做法是将卷积神经网络(CNN)与循环神经网络(RNN)结合，以捕捉历史出行需求中的时空依赖。对于典型CNN，卷积操作通过核在“矩阵格式”的城市上滑动来进行，以提取空间相邻城市区域的特征。该做法假设彼此接近的区域能提供有用信息以提高预测精度。然而，鉴于影响骑行活动的建成环境特征与出行行为存在空间差异，相邻区域的自行车使用量未必总是相似。而相距较远的区域在时间使用模式上可能相对更相似。为利用这些遥远城市区域间的隐藏关联，本研究提出一种不规则卷积长短期记忆模型(IrConv+LSTM)来改进共享单车短期需求预测。该模型以不规则卷积结构修正传统CNN，以提取“语义邻域”间的依赖关系。所提模型在新加坡一个无桩共享单车系统以及芝加哥、华盛顿特区、纽约和伦敦四个基于站点的系统共五个研究点中与一组基准模型进行了评估。我们发现IrConv+LSTM在五个城市中均优于其他基准模型。该模型在自行车使用量不同水平区域及高峰时段也取得了更优性能。研究结果表明，“超越空间邻域思考”可进一步改进城市共享单车系统的短期出行需求预测。