ODMixer：面向地铁起讫点预测的细粒度时空MLP
计算机视觉与模式识别
2024-12-25 v4
摘要
地铁起讫点（OD）预测是城市计算中一项关键且具有挑战性的时空预测任务，旨在准确预测跨站客流量，以优化地铁调度并提高整体运输效率。有效分析站点之间细粒度且全面的关系对于地铁OD预测至关重要。然而，现有的地铁OD模型要么从站点角度混合多个OD对的信息，要么只关注OD对的子集。这些方法可能忽略OD对之间的细粒度关系，导致难以预测潜在异常情况。为了解决这些挑战，我们从所有OD对的角度学习交通演化，并提出了一种用于地铁OD预测的细粒度时空MLP架构，即ODMixer。具体来说，我们的ODMixer具有双分支结构，包括通道混合器（Channel Mixer）、多视图混合器（Multi-view Mixer）和双向趋势学习器（Bidirectional Trend Learner）。通道混合器旨在捕捉OD对之间的短期时间关系，多视图混合器专注于从起点和终点两个角度捕捉空间关系。为了建模长期时间关系，我们引入了双向趋势学习器。在两个大规模地铁OD预测数据集HZMOD和SHMO上的大量实验证明了我们ODMixer的优势。我们的代码可在https://github.com/KLatitude/ODMixer获取。
引用
@article{arxiv.2404.15734,
title = {ODMixer: Fine-grained Spatial-temporal MLP for Metro Origin-Destination Prediction},
author = {Yang Liu and Binglin Chen and Yongsen Zheng and Lechao Cheng and Guanbin Li and Liang Lin},
journal= {arXiv preprint arXiv:2404.15734},
year = {2024}
}
备注
Code is available at https://github.com/KLatitude/ODMixer