利用多视图图卷积网络预测不规则区域的全城人流
计算机视觉与模式识别
2020-07-20 v2 机器学习
摘要
能够预测城市每个区域（尤其是不规则区域）的人流，对于交通控制、风险评估和公共安全具有战略重要性。然而，由于不同区域间的交互与空间相关性，这极具挑战性。此外，它受诸多因素影响：i）不同时间间隔间的多重时间相关性：邻近性、周期性、趋势；ii）复杂的外部影响因素：天气、事件；iii）元特征：一天中的时刻、星期几等。在本文中，我们将不规则区域的人流预测表述为一个时空图（STG）预测问题，其中每个节点代表一个具有时变人流的区域。通过扩展图卷积以处理空间信息，我们提出使用空间图卷积构建多视图图卷积网络（MVGCN）用于人流预测问题，其中不同视图可捕获上述不同因素。我们使用四个真实世界数据集（出租车与自行车）评估 MVGCN，大量实验结果表明我们的方法优于 SOTA 方法的适配版本。并且我们已开发了一个可用于内部的不规则区域人流预测系统。
引用
@article{arxiv.1903.07789,
title = {Predicting Citywide Crowd Flows in Irregular Regions Using Multi-View Graph Convolutional Networks},
author = {Junkai Sun and Junbo Zhang and Qiaofei Li and Xiuwen Yi and Yuxuan Liang and Yu Zheng},
journal= {arXiv preprint arXiv:1903.07789},
year = {2020}
}
备注
12 pages, 13 figures, 5 tables. Published in IEEE TKDE, Date of Publication: Jul. 13, 2020