跨多模式异构关系建模用于潜在客流预测
机器学习
2021-01-19 v1
摘要
针对新规划交通站点的潜在客流预测是城市规划者与管理者的一项基础任务。直观上，新站点的潜在客流可通过探索邻近站点来推断。然而，邻近站点的交通模式（如公交站、自行车站）可能不同于目标站点（如地铁站），这导致了严重的数据稀缺问题。为此，我们提出一种数据驱动方法 MOHER，用于预测新规划站点在特定模式下的潜在客流。具体而言，我们首先通过考察地理邻近度与城市功能相似性来识别目标站点的邻域区域。然后，为聚合这些异构关系，我们设计了一种跨模式关系图卷积网络（一种新颖的基于特定关系的变换模型），其不仅能学习不同交通模式间的关联，还能学习其差异。随后，我们设计了一个用于归纳式潜在流表示的聚合器。最后，使用 LTSM 模块进行序列流预测。在真实世界数据集上的大量实验证明了 MOHER 框架相较于最先进算法的优越性。
引用
@article{arxiv.2101.06954,
title = {Modeling Heterogeneous Relations across Multiple Modes for Potential Crowd Flow Prediction},
author = {Qiang Zhou and Jingjing Gu and Xinjiang Lu and Fuzhen Zhuang and Yanchao Zhao and Qiuhong Wang and Xiao Zhang},
journal= {arXiv preprint arXiv:2101.06954},
year = {2021}
}
备注
Accepted by the 35th AAAI Conference on Artificial Intelligence (AAAI 2021)