基于概率图神经网络的空间时间出行需求不确定性量化
机器学习
2024-02-23 v2 应用统计
机器学习
摘要
近期研究利用图神经网络显著提升了出行需求的预测精度。然而，这些研究在很大程度上忽略了出行需求预测中不可避免存在的不确定性。为填补此空白，本研究提出概率图神经网络(Prob-GNN)框架以量化出行需求的空间时间不确定性。该 Prob-GNN 框架由确定性与概率性假设支撑，并实证应用于芝加哥公交与网约车需求预测任务。我们发现概率性假设(如分布尾部、支撑集)比确定性假设(如深度模块、深度)对不确定性预测的影响更大。在 Prob-GNN 族中，具有截断高斯与拉普拉斯分布的 GNN 在公交与网约车数据上取得最高性能。即使在显著领域偏移下，当模型在 COVID 前数据上训练并跨 COVID-19 大流行期间及之后多个时期测试时，Prob-GNN 仍能稳定预测出行量不确定性。Prob-GNN 还揭示了不确定性的空间时间模式，其集中于下午高峰时段与出行量大的区域。总体而言，我们的发现凸显了将随机性纳入深度学习以进行空间时间出行量预测的重要性。未来研究应继续探究多样的概率假设以捕捉行为随机性，并进一步发展量化不确定性的方法以构建韧性城市。
引用
@article{arxiv.2303.04040,
title = {Uncertainty Quantification of Spatiotemporal Travel Demand with Probabilistic Graph Neural Networks},
author = {Qingyi Wang and Shenhao Wang and Dingyi Zhuang and Haris Koutsopoulos and Jinhua Zhao},
journal= {arXiv preprint arXiv:2303.04040},
year = {2024}
}