基于动态有向加权图表示学习的乘客出行预测
机器学习
2021-01-05 v1 人工智能
摘要
近年来，网约车服务日益普及，为乘客提供了巨大便利。作为基础问题，及时预测不同区域的乘客需求对于有效的交通流控制与路径规划至关重要。由于空间与时间模式对乘客需求预测均不可或缺，相关研究已从纯时间序列演进为用图结构数据建模历史乘客需求数据，其中每个时隙通过不同关系边（如起讫点关系、地理距离等）连接区域节点来构建快照图。因此，时空乘客需求记录在所构建图中自然携带动态模式，其中边还编码了相连两区域间乘客需求的方向与量（即权重）的重要信息。然而，现有基于图的方案未能同时考虑动态、有向与加权（DDW）图的这三个关键方面，导致在学习图表示用于乘客需求预测时表达力有限。为此，我们提出一种新颖的时空图注意力网络，即 Gallat（全注意力图预测）作为解决方案。在 Gallat 中，通过综合纳入 DDW 图的这三个内在属性，我们构建三层注意力以充分捕获所有历史时隙中不同区域间的时空依赖。此外，模型采用子任务进行预训练，从而能更快获得准确结果。我们在真实世界数据集上评估所提模型，实验结果表明 Gallat 优于最先进的方法。
引用
@article{arxiv.2101.00752,
title = {Passenger Mobility Prediction via Representation Learning for Dynamic Directed and Weighted Graph},
author = {Yuandong Wang and Hongzhi Yin and Tong Chen and Chunyang Liu and Ben Wang and Tianyu Wo and Jie Xu},
journal= {arXiv preprint arXiv:2101.00752},
year = {2021}
}