面向多区域特征的交通需求预测
人工智能
2024-08-26 v1
摘要
可靠的短期交通需求预测有助于政府通过优化时刻表、调整车队规模和生成新的公共交通网络来提高系统运营能力。已有研究 incorpora 一项或少数区域特征，同时学习时空相关性，以捕捉相似区域之间的类似需求模式。然而，城市特征呈多样性，需通过诸如土地利用、人口统计特征和兴趣点 (POI) 分布等多个区域特征来加以理解。本文提出一种新型时空多特征感知图卷积循环网络 (ST-MFGCRN)，在时空理解过程中融合多个区域特征。ST-MFGCRN 内部，我们设计了哨兵注意力机制，通过允许各区域对无关特征进行部分注意来计算区域相似度矩阵。我们在两个真实世界交通数据集上评估了所提模型：一个采用我们构建的 BusDJ 数据集，另一个使用基准 TaxiBJ 数据集。结果表明，在 BusDJ 数据集上我们模型相较于最新方法提升最高可达 7%，在 TaxiBJ 数据集上提升最高可达 8%。
引用
@article{arxiv.2408.12890,
title = {Multiple Areal Feature Aware Transportation Demand Prediction},
author = {Sumin Han and Jisun An and Youngjun Park and Suji Kim and Kitae Jang and Dongman Lee},
journal= {arXiv preprint arXiv:2408.12890},
year = {2024}
}