基于时空图神经网络稀疏出行需求预测的不确定性量化
机器学习
2022-08-17 v1 机器学习
摘要
起讫点（O-D）出行需求预测是交通领域的一项基本挑战。近年来，时空深度学习模型展现出提升预测精度的巨大潜力。然而，很少有研究解决细粒度 O-D 矩阵中的不确定性与稀疏性问题。这带来了一个严重问题，因为大量零值偏离了确定性深度学习模型所基于的高斯假设。为解决该问题，我们设计了一种时空零膨胀负二项图神经网络（STZINB-GNN）来量化稀疏出行需求的不确定性。它利用扩散卷积网络与时序卷积网络分析空间和时间相关性，并将二者融合以参数化出行需求的概率分布。我们使用两个具有不同空间与时间分辨率的真实数据集对 STZINB-GNN 进行了检验。结果表明，STZINB-GNN 优于基准模型，尤其在高中低时空分辨率下，因其具有高精度、紧凑的置信区间以及可解释的参数。STZINB-GNN 的稀疏性参数对于多种交通应用具有物理意义。
引用
@article{arxiv.2208.05908,
title = {Uncertainty Quantification of Sparse Travel Demand Prediction with Spatial-Temporal Graph Neural Networks},
author = {Dingyi Zhuang and Shenhao Wang and Haris N. Koutsopoulos and Jinhua Zhao},
journal= {arXiv preprint arXiv:2208.05908},
year = {2022}
}
备注
Accepted by KDD 2022