基于多任务记忆神经网络的需求预测知识适配

不同公共交通模式（如公交车和轻轨）的准确需求预测对公共服务运营至关重要。然而，各种模式的发展水平往往差异显著，这使得难以预测知识不足且站点分布稀疏的模式（即站点稀疏模式）的需求。直观上，不同公共交通模式在城市中可能表现出时空上共享的需求模式。因此，我们提出利用站点密集模式的数据来增强站点稀疏模式的需求预测，并设计了一个记忆增强多任务循环网络（MATURE），以从每种模式中提取可迁移的需求模式，并通过适配站点密集模式中的相关模式来提升站点稀疏模式的预测。具体而言，MATURE包含三个组件：1）记忆增强循环网络，用于增强捕获长短期信息的能力并存储每种交通模式的时序知识；2）知识适配模块，将相关知识从站点密集源适配到站点稀疏源；3）多任务学习框架，整合所有信息并联合预测多种模式的需求。在覆盖四种公共交通模式的真实数据集上的实验结果表明，我们的模型能够提升站点稀疏模式的需求预测性能。