STR-GODEs:用于地铁客流预测的空间-时间-客流量图常微分方程网络
机器学习
2021-07-13 v1
摘要
地铁客流预测一直受到政府和研究人员的广泛关注。近期工作侧重于设计复杂的图卷积循环网络架构以捕捉空间和时间模式。这些工作较好地提取了空间维度信息,但时间维度的局限性依然存在。我们将 Neural ODE 算法扩展到图网络,提出了 STR-GODEs 网络,该网络能够有效学习空间、时间和客流量相关性,且不受将数据按时间线划分为等长区间的限制。在学习空间关系和时序相关性的同时,我们改进 GODE-RNN 单元以获得客流量特征与隐藏状态。将客流量信息及其隐藏状态加入 GODESolve,以减少长时序预测中误差累积。在两个大规模数据集上的大量实验证明了我们模型的有效性与鲁棒性。
引用
@article{arxiv.2107.04980,
title = {STR-GODEs: Spatial-Temporal-Ridership Graph ODEs for Metro Ridership Prediction},
author = {Chuyu Huang},
journal= {arXiv preprint arXiv:2107.04980},
year = {2021}
}