学习地理上下文嵌入以预测通勤流量

基于基础设施和土地利用信息预测通勤流量对城市规划和公共政策制定至关重要。然而，由于通勤流模式复杂，这是一项具有挑战性的任务。传统模型（如重力模型）主要源自物理学原理，在需要考虑众多因素的真实场景中预测能力有限。同时，现有的大多数基于机器学习的方法忽略了空间相关性，未能建模邻近区域的影响。为解决这些问题，我们提出地理上下文多任务嵌入学习器（GMEL），该模型从地理上下文信息中捕获空间相关性以预测通勤流量。具体而言，我们首先构建一个包含地理上下文信息的地理邻接网络。然后，基于图注意力网络（GAT）框架提出一种注意力机制，以捕获空间相关性并将地理上下文信息编码到嵌入空间。使用两个独立的GAT分别建模供给和需求特征。采用多任务学习框架引入更强的约束并增强嵌入表示的有效性。最后，基于学习到的嵌入训练一个梯度提升机来预测通勤流量。我们使用纽约市的真实数据集评估模型，实验结果证明了我们的方法相对于现有技术的有效性。