多模式网约车需求的联合预测：一种基于深度多任务多图学习的方法
机器学习
2022-04-27 v1 人工智能
摘要
网约车平台通常向客户提供多种服务选项，例如独乘服务、合乘服务等。通常预期不同服务模式的请求是相关的，且对某一种服务模式的请求预测可受益于其他服务模式请求的历史观测。此外，对多种服务模式的请求进行准确联合预测有助于平台更好地分配和调度车辆资源。尽管已有大量文献研究单一特定服务模式的网约车需求预测，但针对多种服务模式网约车需求的联合预测研究甚少。为解决此问题，我们提出一种深度多任务多图学习方法，其结合两个组件：（1）多个多图卷积（MGC）网络用于预测不同服务模式的请求；（2）多任务学习模块，实现多个 MGC 网络间的知识共享。更具体地，建立了两种多任务学习结构。其一是正则化跨任务学习，在多个 MGC 网络的输入和输出间建立跨任务连接。其二是多线性关系学习，其对各种 MGC 网络的权重施加先验张量正态分布。尽管不同 MGC 网络间无具体桥梁，但这些网络的权重彼此约束并服从共同先验分布。使用曼哈顿的租赁车辆数据集进行评估，表明我们所提方法在不同网约车模式的预测精度上优于基准算法。
引用
@article{arxiv.2011.05602,
title = {Joint predictions of multi-modal ride-hailing demands: a deep multi-task multigraph learning-based approach},
author = {Jintao Ke and Siyuan Feng and Zheng Zhu and Hai Yang and Jieping Ye},
journal= {arXiv preprint arXiv:2011.05602},
year = {2022}
}