无桩滑板车共享需求的实时预测：一种时空多图Transformer方法
计算机与社会
2024-10-28 v3
摘要
准确预测无桩滑板车共享的实时出行需求对于交通系统的规划与运营至关重要。深度学习模型为研究者提供了实现该任务的强大工具，但此领域的研究仍然匮乏。因此，本文提出一种名为时空多图Transformer（Spatio-Temporal Multi-Graph Transformer, STMGT）的新型深度学习架构，用于预测无桩滑板车共享的实时时空需求。所提模型使用基于邻接图、功能相似图、人口相似图和交通供给相似图的图卷积网络（GCN）将空间依赖性附加到时间输入（即历史需求）上。GCN的输出随后由Transformer结合天气条件信息进行处理以捕捉时间依赖性。然后，使用卷积层生成最终预测。所提模型分别在华盛顿特区和得克萨斯州奥斯汀的两个真实案例研究中进行了评估，结果表明在两个案例研究中，STMGT均显著优于所有选定的基准模型，且最重要的模型组件是天气信息。所提模型可帮助微移动运营商制定最优车辆再平衡方案，并引导城市更好地管理无桩滑板车共享运营。
引用
@article{arxiv.2111.01355,
title = {Real-Time Forecasting of Dockless Scooter-Sharing Demand: A Spatio-Temporal Multi-Graph Transformer Approach},
author = {Yiming Xu and Xilei Zhao and Xiaojian Zhang and Mudit Paliwal},
journal= {arXiv preprint arXiv:2111.01355},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication