XRMDN：一种用于高波动性短期概率化乘客需求预测的扩展循环混合密度网络
机器学习
2024-03-06 v2
摘要
在按需出行（MoD）系统中，乘客需求预测是运营决策与系统优化的基石。传统预测方法主要给出点估计，从而忽视了需求预测中固有的不确定性。此外，MoD 需求水平深受内生与外生因素影响，导致高且动态的波动性。该波动性显著削弱了常规时间序列预测方法的有效性。为此，我们提出扩展循环混合密度网络（XRMDN），一种旨在应对这些挑战的新型深度学习框架。XRMDN 利用精巧的架构通过相关模块处理需求残差与方差，从而灵活融入内生与外生数据。该架构在权重、均值与方差神经网络中具备循环连接，能熟练捕捉需求趋势，从而显著提升预测精度，尤其在高波动性场景下。我们利用真实世界 MoD 数据集开展的全面实验分析表明，XRMDN 在多项指标上超越现有基准模型，尤其在需求高波动情境中表现突出。这一概率化需求预测的进步是该领域的重要贡献，为提升 MoD 系统运营效率与客户满意度提供了鲁棒工具。
引用
@article{arxiv.2310.09847,
title = {XRMDN: An Extended Recurrent Mixture Density Network for Short-Term Probabilistic Rider Demand Forecasting with High Volatility},
author = {Xiaoming Li and Hubert Normandin-Taillon and Chun Wang and Xiao Huang},
journal= {arXiv preprint arXiv:2310.09847},
year = {2024}
}
备注
11 pages, 14 figures, 5 tables