利用图卷积神经网络预测站点级共享单车需求
信号处理
2020-04-21 v1
摘要
本研究提出了一种带有数据驱动图滤波器（GCNN-DDGF）的新型图卷积神经网络模型，该模型能够学习站点间隐藏的异质两两相关性，以在大规模共享单车网络中预测站点级小时需求。探讨了 GCNN-DDGF 模型的两种架构：GCNNreg-DDGF 是一种规则的 GCNN-DDGF 模型，包含卷积和前馈模块；GCNNrec-DDGF 额外包含来自长短期记忆神经网络的循环模块，以捕捉共享单车需求序列中的时间依赖关系。此外，提出了四种 GCNN 模型，其邻接矩阵基于多种共享单车系统数据，包括空间距离矩阵（SD）、需求矩阵（DE）、平均行程时长矩阵（ATD）和需求相关矩阵（DC）。使用来自纽约市的 Citi Bike 数据集（包含 272 个站点和 2013 年至 2016 年超过 2800 万条记录）构建并比较了这六种 GCNN 模型以及另外七个基准模型。结果表明，就均方根误差、平均绝对误差和决定系数（R2）而言，GCNNrec-DDGF 表现最佳，其次为 GCNNreg-DDGF。它们优于其他模型。
引用
@article{arxiv.2004.08723,
title = {Predicting Station-Level Bike-Sharing Demands Using Graph Convolutional Neural Network},
author = {Lei Lin and Weizi Li and Srinivas Peeta},
journal= {arXiv preprint arXiv:2004.08723},
year = {2020}
}
备注
Accepted to Transportation Research Board 98th Annual Meeting 2019