利用融合卷积网络学习网约车服务的时空特征
机器学习
2020-04-27 v2 计算机视觉与模式识别
机器学习
摘要
为对城市中全部区域的网约车服务需求进行整体预测，深度学习方法已得到应用并取得了可喜成果。然而，城市地理布局中普遍存在的局部统计差异使得卷积的空间平稳性假设失效，这限制了 CNN 在需求预测任务上的性能。本文提出一种称为 LC-ST-FCN（局部连接时空全卷积神经网络）的新型深度学习框架，以在单一端到端架构（E2E）内应对区域级需求预测问题的独特挑战。我们首先采用 3D 卷积层融合输入中存在的空间与时间信息，然后将 3D 卷积层提取的时空特征送入后续的 2D 卷积层。之后，各区域的预测值由放宽参数共享机制的局部连接卷积层获得。我们在来自某网约车服务平台（DiDiChuxing）的真实数据集上评估所提模型，并观察到相较一系列基线模型的显著改进。此外，我们还通过可视化不同类型卷积层如何变换其输入并捕获有用特征，阐明了所提模型的有效性。可视化结果显示，全卷积架构使模型能更好地定位相关区域，而局部连接层在处理局部统计差异与激活有用区域方面发挥着重要作用。
引用
@article{arxiv.1904.06823,
title = {Learning Spatiotemporal Features of Ride-sourcing Services with Fusion Convolutional Network},
author = {Feng Xiao and Dapeng Zhang and Gang Kou and Lu Li},
journal= {arXiv preprint arXiv:1904.06823},
year = {2020}
}