按需出行服务下的乘客需求短期预测：一种时空深度学习方法
机器学习
2018-02-13 v1
摘要
短期乘客需求预测对按需出行服务平台至关重要，它可以激励空车从供过于求的区域转移到供不应求的区域。然而，空间依赖性、时间依赖性和外生依赖性需要同时考虑，这使得短期乘客需求预测具有挑战性。我们提出了一种新颖的深度学习（DL）方法，命名为融合卷积长短期记忆网络（FCL-Net），以在一个端到端的学习架构内处理这三种依赖性。该模型由多个卷积长短期记忆（LSTM）层、标准 LSTM 层和卷积层堆叠融合而成。卷积技术与 LSTM 网络的融合使所提出的 DL 方法能够更好地捕捉解释变量的时空特征和相关性。采用定制的空间聚合随机森林对解释变量的重要性进行排序，然后将该排序用于特征选择。所提出的 DL 方法被应用于中国杭州某按需出行服务平台的乘客需求短期预测。基于滴滴出行提供的真实数据进行验证的实验结果表明，FCL-Net 取得了比传统方法更好的预测性能，包括经典时间序列预测模型和基于神经网络的算法（如人工神经网络和 LSTM）。本文是最早通过考察时空相关性来预测按需出行服务平台短期乘客需求的深度学习研究之一。
引用
@article{arxiv.1706.06279,
title = {Short-Term Forecasting of Passenger Demand under On-Demand Ride Services: A Spatio-Temporal Deep Learning Approach},
author = {Jintao Ke and Hongyu Zheng and Hai Yang and Xiqun and Chen},
journal= {arXiv preprint arXiv:1706.06279},
year = {2018}
}
备注
39 pages, 10 figures