循环流网络：一种用于城市出行密度建模的循环隐变量模型
机器学习
2022-05-05 v2 机器学习
摘要
出行即服务(MoD)系统代表了一种快速发展的交通模式，其中出行请求由协调的车队动态处理。关键的是，MoD系统的效率高度依赖于供需分布在时空上的对齐程度（即，为满足用户需求，车辆必须在正确的地点和期望的时间可用）。为此，我们认为预测模型应明确解耦城市出行需求演化中的时间与空间变异性。然而，当前方法通常忽略这一区分，要么将两种变异性来源联合处理，要么一开始就完全忽略它们的存在。本文中，我们提出循环流网络(RFN)，其中我们探索了(i)在循环神经网络的隐藏状态中引入隐随机变量以建模时间变异性，以及(ii)使用归一化流建模出行需求的空间分布。我们展示了明确解耦空间与时间变异性的预测模型如何展现出若干理想性质，并凭经验表明这如何能够生成匹配潜在复杂城市拓扑的分布。
引用
@article{arxiv.2006.05256,
title = {Recurrent Flow Networks: A Recurrent Latent Variable Model for Density Modelling of Urban Mobility},
author = {Daniele Gammelli and Filipe Rodrigues},
journal= {arXiv preprint arXiv:2006.05256},
year = {2022}
}
备注
16 pages, 6 figures