基于时空 Tweedie 模型的零膨胀长尾出行需求预测不确定性量化
机器学习
2024-02-01 v2 机器学习
其他统计学
摘要
理解起讫点（O-D）出行需求对交通管理至关重要。然而，传统时空深度学习模型难以应对高分辨率 O-D 矩阵中的稀疏与长尾特征，并量化预测不确定性。这一困境源于矩阵中大量的零与过度离散的需求模式，对确定性深度学习模型固有的高斯假设提出了挑战。为应对这些挑战，我们提出一种新方法：时空 Tweedie 图神经网络（STTD）。STTD 引入 Tweedie 分布作为传统“零膨胀”模型的有力替代，并利用空间与时间嵌入对出行需求分布进行参数化。我们使用真实世界数据集的评估凸显了 STTD 在提供准确预测与精确置信区间方面的优越性，尤其在高分辨率场景中。
引用
@article{arxiv.2306.09882,
title = {Uncertainty Quantification via Spatial-Temporal Tweedie Model for Zero-inflated and Long-tail Travel Demand Prediction},
author = {Xinke Jiang and Dingyi Zhuang and Xianghui Zhang and Hao Chen and Jiayuan Luo and Xiaowei Gao},
journal= {arXiv preprint arXiv:2306.09882},
year = {2024}
}
备注
In proceeding of CIKM 2023. Doi: https://dl.acm.org/doi/10.1145/3583780.3615215