面向野火期间出行需求预测的情境感知多图卷积循环网络（SA-MGCRN）
机器学习
2023-04-14 v1
摘要
野火疏散期间出行需求的实时预测对于应急管理人员和交通规划者及时做出更明智的决策至关重要。然而，很少有研究关注大规模紧急疏散中准确的出行需求预测。因此，本研究开发并测试了一个新的方法学框架，利用（a）移动设备生成的大规模GPS数据和（b）最先进的人工智能技术，对野火疏散中的出行生成进行建模。所提出的方法旨在预测疏散出行及其他类型的出行。基于从GPS数据推断出的出行需求，我们提出了一种新的深度学习模型，即情境感知多图卷积循环网络（SA-MGCRN），以及一种模型更新方案，以实现野火疏散期间出行需求的实时预测。本研究以2019年加州索诺玛县Kincade野火这一真实案例对所提方法学框架进行了测试。结果表明，SA-MGCRN在预测性能上显著优于所有选定的最先进基准模型。我们的发现表明，SA-MGCRN最重要的模型组成部分是疏散命令/警告信息、与火灾的邻近程度以及人口变化，这些与行为理论和实证发现一致。
引用
@article{arxiv.2304.06233,
title = {Situational-Aware Multi-Graph Convolutional Recurrent Network (SA-MGCRN) for Travel Demand Forecasting During Wildfires},
author = {Xiaojian Zhang and Xilei Zhao and Yiming Xu and Ruggiero Lovreglio and Daniel Nilsson},
journal= {arXiv preprint arXiv:2304.06233},
year = {2023}
}