多模式系统联合需求预测：一种多任务多关系时空图神经网络方法
机器学习
2022-09-02 v1
摘要
动态需求预测对城市交通系统的高效运营与管理至关重要。已有大量研究针对单模式需求预测，却忽略了不同交通模式的需求之间可能相互关联这一事实。尽管近期有一些尝试，现有的多模式需求预测方法通常不够灵活，难以处理具有多样空间单元和跨模式异质时空相关性的多重网络。为解决这些问题，本研究提出一种用于多模式需求预测的多关系时空图神经网络（ST-MRGNN）。具体而言，跨模式的空间依赖通过多个模式内与模式间关系图进行编码。引入多关系图神经网络（MRGNN）以捕捉跨模式异质空间依赖，其由广义图卷积网络（用于学习关系图内的消息传递机制）和基于注意力的聚合模块（用于汇总不同关系）组成。我们进一步将MRGNNS与 temporal gated convolution 层集成，以联合建模异质时空相关性。使用来自纽约市的真实地铁与网约车数据集进行了大量实验，结果验证了我们所提方法在各模式上相对于现有方法的性能提升。对于需求稀疏的位置，提升尤为显著。对ST-MRGNN注意力机制的进一步分析也展示了其在理解跨模式交互方面的良好可解释性。
引用
@article{arxiv.2112.08078,
title = {Joint Demand Prediction for Multimodal Systems: A Multi-task Multi-relational Spatiotemporal Graph Neural Network Approach},
author = {Yuebing Liang and Guan Huang and Zhan Zhao},
journal= {arXiv preprint arXiv:2112.08078},
year = {2022}
}