基于城市辐射与吸引力视角的起点-终点需求预测
机器学习
2026-04-29 v2 人工智能
摘要
近年来，起点-终点 (OD) 需求预测因其对城市发展的深远影响而受到广泛关注。现有数据驱动的深度学习方法主要关注区域之间或区域之间的空间或时间依赖关系，却忽视了区域在功能上的根本差异。虽然知识驱动的物理方法通过人口等数值因子来刻画区域的辐射和吸引能力，但这些功能定义上未考虑区域的内在名义属性，例如一个区域是居民区还是工业区。此外，两种能力类型之间复杂的关系（例如，晨间居民区的辐射能力在傍晚转化为吸引能力）在物理方法中完全缺失。本文不仅将物理的辐射和吸引能力概括到深度学习框架中，以增强区域功能的表达能力，还提出了一种新模型来捕捉两种能力之间的关系。具体而言，我们首先使用带有区域属性表示的双分支网络来建模区域的辐射和吸引能力。随后，我们采用基于超图的参数生成方法来描述同一区域不同能力的转换关系。最后，我们通过基于聚类的对抗学习揭示具有相同吸引能力的不同区域之间的竞争关系。大量实验表明，我们的方法在两个数据集上均优于当前最先进的基线方法，并且能够使用区域的名义属性来解释区域的功能。
引用
@article{arxiv.2412.00167,
title = {Origin-Destination Demand Prediction: An Urban Radiation and Attraction Perspective},
author = {Xuan Ma and Zepeng Bao and Ming Zhong and Yuanyuan Zhu and Chenliang Li and Jiawei Jiang and Qing Li and Tieyun Qian},
journal= {arXiv preprint arXiv:2412.00167},
year = {2026}
}
备注
Upon further internal review, we identified several issues that were not fully addressed in the current version. To ensure scientific rigor and avoid potential misinterpretation, we have decided to withdraw the paper for further refinement