预测城市疏散事件：基于移动数据深度生存分析的两阶段框架
机器学习
2019-07-12 v2 社会与信息网络
机器学习
摘要
城市疏散事件是指异常多的人在短时间内离开同一区域的过程。尽早预测疏散事件对于缓解拥堵与安全风险、并为出租车与网约车车队做出更优调度决策十分重要。现有工作多聚焦于通过从历史数据中学习模式来预测近未来的出租车需求。然而，在异常情况下它们会失效，因为具有异常高需求的疏散事件不可重复，且违背了诸如需求随时间平滑变化等常见假设。相反，本文我们认为疏散事件遵循过去行程及其他相关特征的复杂模式，可用于预测此类事件。因此，我们将疏散事件预测问题表述为一个生存分析问题。我们提出一个两阶段框架（DILSA），其中开发了结合生存分析的深度学习模型，以预测疏散事件的概率及其需求量。我们在 2014–2016 年 NYC Yellow 出租车数据集上进行了广泛的案例研究与实验。结果表明，DILSA 能以 0.7 的 F1 分数和平均 18 分钟的时间误差预测未来 5 小时内的事件。其性能比最先进的出租车需求预测深度学习方法好几个数量级。
引用
@article{arxiv.1905.01281,
title = {Predicting Urban Dispersal Events: A Two-Stage Framework through Deep Survival Analysis on Mobility Data},
author = {Amin Vahedian and Xun Zhou and Ling Tong and W. Nick Street and Yanhua Li},
journal= {arXiv preprint arXiv:1905.01281},
year = {2019}
}
备注
To appear in AAAI-19 proceedings. The reason for the replacement was the misspelled author name in the meta-data field. Author name was corrected from "Ynahua Li" to "Yanhua Li". The author list in the paper was correct and remained unchanged