面向城市交通流预测的时空跨平台图嵌入融合
机器学习
2022-08-23 v2
摘要
本文提出 STC-GEF,一种用于城市交通流预测的崭新时空跨平台图嵌入融合(Spatio-Temporal Cross-platform Graph Embedding Fusion)方法。我们设计了基于图卷积网络(GCN)的空间嵌入模块以提取交通流数据中的复杂空间特征。此外,为捕捉不同时间间隔交通流数据间的时间依赖关系,我们设计了基于循环神经网络的时间嵌入模块。基于不同交通平台出行数据(如出租车、Uber 和 Lyft)可相互关联的观察,我们设计了有效融合机制,结合不同交通平台出行数据并进一步用于跨平台交通流预测(如整合出租车与网约车平台以预测出租车交通流)。我们基于纽约市(NYC)黄色出租车与网约车(Lyft)真实出行数据开展了广泛真实实验研究,验证了 STC-GEF 在融合不同交通平台数据与预测交通流方面的准确性与有效性。
引用
@article{arxiv.2208.06947,
title = {Towards Spatio-Temporal Cross-Platform Graph Embedding Fusion for Urban Traffic Flow Prediction},
author = {Mahan Tabatabaie and James Maniscalco and Connor Lynch and Suining He},
journal= {arXiv preprint arXiv:2208.06947},
year = {2022}
}
备注
5 pages, UrbComp 2022