STDI-Net：用于共享单车需求预测的带动态区间映射的时空网络
人工智能
2021-01-01 v3 机器学习
摘要
作为一种经济健康的共享出行方式，共享单车系统(BSS)在许多大城市快速发展。准确的预测方法可帮助 BSS 提前调度资源以满足用户需求，并显著提升其运营效率。然而，现有多数类似任务的方法仅独立利用空间或时间信息。尽管有些方法同时考虑两者，但它们仅关注单一位置或位置对之间的需求预测。本文中，我们提出一种称为时空动态区间网络(STDI-Net)的新型深度学习方法。该方法通过建模联合时空信息，预测近期多个相连站点的租借与归还订单数量。此外，我们嵌入一个额外模块，为不同时间间隔生成动态可学习映射，以纳入不同时间间隔对 BSS 需求预测有强烈影响这一因素。在 NYC Bike 数据集上进行了大量实验，结果证明了我们的方法相对于现有方法的优越性。
引用
@article{arxiv.2006.04089,
title = {STDI-Net: Spatial-Temporal Network with Dynamic Interval Mapping for Bike Sharing Demand Prediction},
author = {Weiguo Pian and Yingbo Wu and Ziyi Kou},
journal= {arXiv preprint arXiv:2006.04089},
year = {2021}
}
备注
accepted by CIKM workshops 2020