细粒度起讫点矩阵的时空预测及其在网约车中的应用
机器学习
2025-04-01 v1 人工智能
机器学习
摘要
准确预测基于网络的出行者请求的时空信息，对于网约车平台的有效策略设计至关重要。了解未来时段各地之间的总需求，使平台能够主动准备充足的供给，从而提高满足出行者请求的可能性，并将空闲司机重新分配到具有高潜在需求的区域，以优化全局供需均衡。本文深入探讨了在细粒度空间层面对起讫点需求的预测，尤其是在面对大量局部区域时。虽然这项任务具有巨大的实用价值，但在研究界仍相对未被探索。为填补这一空白，我们引入了一种名为OD-CED的新型预测模型，该模型包含一种无监督空间粗化技术以缓解数据稀疏性，以及一个编码器-解码器架构以捕捉语义和地理依赖关系。通过实际实验，OD-CED展示了卓越的结果。在处理稀疏度超过90%的OD矩阵时，与传统统计方法相比，其均方根误差降低了高达45%，加权平均绝对百分比误差降低了60%。
引用
@article{arxiv.2503.24237,
title = {Spatio-temporal Prediction of Fine-Grained Origin-Destination Matrices with Applications in Ridesharing},
author = {Run Yang and Runpeng Dai and Siran Gao and Xiaocheng Tang and Fan Zhou and Hongtu Zhu},
journal= {arXiv preprint arXiv:2503.24237},
year = {2025}
}