基于时空编解码残差多图卷积网络预测起讫点网约车需求
信号处理
2022-04-27 v1 机器学习
摘要
随着移动互联网技术的快速发展，按需网约车服务日益普及，并大幅重塑了人们的出行方式。需求预测是网约车平台供需管理系统中最基础的组成部分之一。通过对起讫点（OD）需求的准确短期预测，平台可就实时匹配、闲置车辆调度与拼车路径规划等作出精确而及时的决策。相较于已有诸多研究的基于区域的需求预测，基于OD的需求预测更具挑战性，这主要源于不同OD对需求之间复杂的时空依赖关系。为克服该挑战，我们提出时空编解码残差多图卷积网络（ST-ED-RMGC），一种用于预测各OD对网约车需求的新型深度学习模型。首先，模型构建OD图，利用邻接矩阵刻画不同OD对之间非欧几里得的成对地理与语义关联。其次，基于所构图表，设计残差多图卷积（RMGC）网络以将上下文感知的空间依赖编码，并利用长短期记忆（LSTM）网络将时间依赖编码至稠密向量空间。最后，我们复用RMGC网络将压缩向量解码回OD图并预测未来OD需求。通过在纽约市曼哈顿网约车数据集上的大量实验，表明我们所提深度学习框架以显著优势优于当前最优方法。
引用
@article{arxiv.1910.09103,
title = {Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network},
author = {Jintao Ke and Xiaoran Qin and Hai Yang and Zhengfei Zheng and Zheng Zhu and Jieping Ye},
journal= {arXiv preprint arXiv:1910.09103},
year = {2022}
}