倾听城市，专注地：一种用于短期流量预测问题的时空注意力增强自编码器
机器学习
2021-08-19 v3 人工智能
摘要
近年来，研究和预测城市环境中的替代出行（例如共享服务）模式变得愈发重要，因为关于当前和未来车辆流的准确及时信息可以成功提高交通服务的质量和可用性。在当前疫情危机期间，这一需求更加紧迫，它推动政策制定者和私人公民寻求符合社交距离要求的城市出行服务，例如电动自行车和滑板车共享服务。然而，由于城市出行模式典型的非线性空间和时间依赖关系，预测不同城市区域的流入和流出车辆数量具有挑战性。在这项工作中，我们提出 STREED-Net，一种具有多注意力（空间和时间）机制的新型深度学习网络，可有效捕获并利用出行数据中的复杂空间和时间模式。报告了使用真实数据进行的详尽实验分析的结果，表明所提出的模型改进了此任务的最先进水平。
引用
@article{arxiv.2103.00983,
title = {Listening to the city, attentively: A Spatio-Temporal Attention Boosted Autoencoder for the Short-Term Flow Prediction Problem},
author = {Stefano Fiorini and Michele Ciavotta and Andrea Maurino},
journal= {arXiv preprint arXiv:2103.00983},
year = {2021}
}
备注
submitted to Information Sciences