面向共享单车与公共交通跨模式需求预测的迁移学习

城市交通系统由多种交通模式组合而成，这些模式之间存在相互依赖关系。这意味着不同出行模式间的出行需求可能相关，因为一种模式可能从另一种模式接收需求或为其创造需求，更不用说由于网络中总体需求流动模式导致的不同需求时间序列之间的自然相关性。随着出行即服务（Mobility as a Service）的普及，跨模式涟漪效应有望变得更加普遍。因此，通过跨模式传播需求数据，可以获得更好的需求预测。为此，本研究探索了多种机器学习模型与迁移学习策略用于跨模式需求预测。共享单车、地铁和出租车的出行数据被处理为站点级客流，随后所提出的预测方法在南京和芝加哥的大规模案例研究中进行了测试。结果表明，带迁移学习的预测模型优于单模式预测模型。此外，堆叠长短期记忆（Long Short-Term Memory, LSTM）模型在跨模式需求预测中表现尤为出色。这些结果验证了我们的组合方法相对于现有基准的预测改进，并展示了跨模式需求预测在多城市中的良好可迁移性。