利用时空深度学习在具有匿名空间邻接信息的网约车系统中预测需求与供需缺口
机器学习
2021-12-01 v4
摘要
为减少乘客等待时间与司机搜寻摩擦，网约车公司需要准确预测时空需求与供需缺口。然而，由于网约车系统中需求与供需缺口存在的时空依赖性，对两者进行准确预测是一项困难任务。此外，由于保密与隐私问题，网约车数据有时会在移除区域的空间邻接信息后发布给研究人员，这阻碍了时空依赖性的检测。为此，本文提出了一种新颖的时空深度学习架构，用于在具有匿名空间邻接信息的网约车系统中预测需求与供需缺口，该架构将特征重要性层与包含一维卷积神经网络（CNN）和区域分布式独立循环神经网络（IndRNN）的时空深度学习架构相集成。所开发的架构使用滴滴出行的真实世界数据集进行测试，结果表明基于该架构的模型优于传统时间序列模型（如 ARIMA）和机器学习模型（如梯度提升机、分布式随机森林、广义线性模型、人工神经网络）。此外，特征重要性层通过揭示预测中所用输入特征的贡献，提供了对模型的解释。
引用
@article{arxiv.2012.08868,
title = {Using Spatio-temporal Deep Learning for Forecasting Demand and Supply-demand Gap in Ride-hailing System with Anonymised Spatial Adjacency Information},
author = {M. H. Rahman and S. M. Rifaat},
journal= {arXiv preprint arXiv:2012.08868},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2012.15408