预测大规模共享单车网络中的站点级小时需求：一种图卷积神经网络方法
机器学习
2019-06-18 v2 机器学习
摘要
本研究提出了一种新颖的带数据驱动图滤波器（Data-driven Graph Filter, DDGF）的图卷积神经网络（GCNN-DDGF）模型，该模型能够学习站点间隐藏的异质两两相关性，以预测大规模共享单车网络中的站点级小时需求。探讨了 GCNN-DDGF 模型的两种架构：GCNNreg-DDGF 是一种常规 GCNN-DDGF 模型，包含卷积和前馈模块；GCNNrec-DDGF 额外包含了来自长短期记忆（Long Short-term Memory, LSTM）神经网络架构的循环模块，以捕捉共享单车需求序列中的时间依赖性。此外，提出了四种基于各类共享单车系统数据的 GCNN 模型，其邻接矩阵分别基于空间距离矩阵（SD）、需求矩阵（DE）、平均行程时长矩阵（ATD）和需求相关矩阵（DC）。在包含 272 个站点和 2013 年至 2016 年超过 2800 万条记录纽约市 Citi Bike 数据集上，构建并比较了这六种 GCNN 模型及其他七个基准模型。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，它们均优于其他模型。通过对学习到的 DDGF 进行更细致的图网络分析，获得了关于 GCNN-DDGF 模型黑箱的一些见解。发现其捕捉到了类似于嵌入在 SD、DE 和 DC 矩阵中的细节信息。更重要的是，它还揭示了这些矩阵均未揭示的站点间隐藏异质两两相关性。
引用
@article{arxiv.1712.04997,
title = {Predicting Station-level Hourly Demands in a Large-scale Bike-sharing Network: A Graph Convolutional Neural Network Approach},
author = {Lei Lin and Zhengbing He and Srinivas Peeta},
journal= {arXiv preprint arXiv:1712.04997},
year = {2019}
}
备注
9 figures, 3 tables, accepted by Transportation Research Part C: Emerging Technologies