貼一下匯總貼：論文閱讀記錄
論文鏈接：《Spatiotemporal Multi-Graph Convolution Network for Ride-Hailing Demand Forecasting》
一、摘要
區域需求預測是網約車服務的一項基本任務，準確預測網約車需求，可以指導車輛調度，提高車輛利用率，減少等待時間，緩解交通擁堵，由于區域間復雜的時空依賴性，這項任務具有挑戰性，現有的方法主要集中在空間相鄰區域之間的歐氏相關性建模，而我們觀察到可能遙遠區域之間的非歐氏成對相關性也對準確預測至關重要，在本文中，我們提出了一種用于網約車需求預測的新型深度學習模型——時空多圖卷積網路(ST-MGCN)，我們首先將區域間的非歐幾里得成對相關性編碼成多個圖，然后使用多圖卷積對這些相關性進行顯式建模，為了利用全域背景關系資訊來建模時間相關性，我們進一步提出背景關系門控遞回神經網路，該網路通過背景關系感知門控機制來增強遞回神經網路，以重新加權不同的歷史觀測，我們在兩個真實世界的大規模網約車需求資料集上評估提出的模型，并觀察到與最先進的基線相比有超過10%的持續改進，
文章主要內容
為研究區域級網約車的需求預測問題，確定其具有獨特的時空相關性，提出了一種基于深度學習的模型，該模型使用多圖編碼區域間的非歐氏相關性，使用多圖卷積進行捕獲，進一步擴展了帶有背景關系門控機制的遞回神經網路，將全域背景關系資訊整合到時態建模的程序中，
二、結論
- 當在兩個大規模現實世界的叫車需求資料集上評估時，所提出的方法比最先進的基線取得了顯著更好的結果，
未來可能的研究方向：
- 對該模型的其他時空預測任務進行評價
- 將該方法擴展到多步序列預測中去，
三、時空多圖卷積網路（ST-MGCN）
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/259727.html
標籤：其他
上一篇：對指標的詳細認識（一）
下一篇：常用資料結構