STEF-DHNet：基于时空外部因素的深度混合网络用于增强的长时出租车需求预测
机器学习
2023-06-27 v1 人工智能
摘要
准确预测网约车服务的需求可带来显著收益，例如更有效的动态定价策略、改进的司机调度和增强的客户服务。通过理解需求波动，企业能够更高效地预期并响应消费者需求，从而提升效率与收入。然而，特定区域的需求预测具有挑战性，因为它受多种外部因素（如一天中的时段、天气条件和位置）影响。因此，理解和评估这些因素对于预测消费者行为并有效适应其需求至关重要。基于网格的深度学习方法在区域出租车需求预测中已被证明有效。然而，这些模型在整合具有时空复杂性的外部因素方面存在局限，且无法在无需持续重新训练的情况下于长时间范围内保持高精度，这使其不太适合实际和商业应用。为应对这些局限，本文提出 STEF-DHNet，一种结合卷积神经网络（CNN）与长短期记忆网络（LSTM）的需求预测模型，将外部特征作为时空信息进行整合并捕捉其对网约车需求的影响。所提模型使用称为滚动误差的长时性能度量进行评估，该度量考察其在无重训练情况下长时间保持高精度的能力。结果表明，STEF-DHNet 在三个不同数据集上优于现有 SOTA 方法，展示了其在真实场景中的实用潜力。
引用
@article{arxiv.2306.14476,
title = {STEF-DHNet: Spatiotemporal External Factors Based Deep Hybrid Network for Enhanced Long-Term Taxi Demand Prediction},
author = {Sheraz Hassan and Muhammad Tahir and Momin Uppal and Zubair Khalid and Ivan Gorban and Selim Turki},
journal= {arXiv preprint arXiv:2306.14476},
year = {2023}
}
备注
8 pages, 3 Figures