用于网约车需求预测的空间-时间动态图注意力网络
机器学习
2022-04-19 v4 人工智能
摘要
网约车需求预测是时空数据挖掘中的一项基本任务。准确的网约车需求预测有助于预分配资源、提升车辆利用率与用户体验。图卷积网络（GCN）常用于建模复杂的非规则非欧几里得空间相关性。然而，现有基于 GCN 的网约车需求预测方法在提取非规则非欧几里得空间相关性时，仅对不同邻域赋予相同重要性，并在整个时间线上维持具有静态空间关系的固定图结构。本文提出空间-时间动态图注意力网络（STDGAT），一种新颖的网约车需求预测方法。基于 GAT 的注意力机制，STDGAT 提取不同的成对相关性，以实现对不同邻域的自适应重要性分配。此外，在 STDGAT 中，我们设计了一种新颖的基于通勤的时序特定图注意力模式，以构建动态图结构来捕捉整个时间线上的动态时序特定空间关系。我们在真实世界网约车需求数据集上进行了大量实验，实验结果表明，在 RMSE、MAPE 和 MAE 三个评价指标上，我们的方法相较最先进的基线取得了显著提升。
引用
@article{arxiv.2006.05905,
title = {Spatial-Temporal Dynamic Graph Attention Networks for Ride-hailing Demand Prediction},
author = {Weiguo Pian and Yingbo Wu and Xiangmou Qu and Junpeng Cai and Ziyi Kou},
journal= {arXiv preprint arXiv:2006.05905},
year = {2022}
}
备注
11 pages, 6 figures. arXiv admin note: text overlap with arXiv:2006.04089