需求预测——Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder
Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network
相关工作缺陷
- 地图网格划分运用CNN和LSTM进行预测,CNN仅以地理方式捕获局部空间相关性,而无法对两个区域之间的语义相关性建模。
- 大多是研究区域中的骑乘需求,很少有OD的需求预测,现有的od预测在构建邻接矩真实只包含两个网格之间的距离和流量信息,没有充分利用语义信息。
特点
- 构造多个OD图来描述不同OD对之间的成对关系,包括基于起点和终点的邻域关系图、基于起点和终点的功能相似图、基于起点和终点的距离图以及移动性模式相关图。
- 提出了一种新的深度学习模型,该模型具有设计良好的编解码结构,可以对不同OD对之间的空间依赖性和OD对本身的时间依赖性进行建模
研究问题
od graph
- 不再通过正方形或者六边形划分区域,而是通过邮政编码划分区域
- 将一天划分成多个时间间隔,预测同一时间间隔内各种od的订单数量
- 构图 G = (V,E,A),其中顶点v表示每个od对,N = |V|表示每个od对在当前时间段的个数,E表示边集,A表示邻接矩阵
特征定义
xi(d,t)x_i^{(d,t)}xi(d,t)表示第d天t时第i个od对的请求数量, X(d,t)X^{(d,t)}X(d,t)表示第d天t时所有od对的总数量。因为存在两种主要的时间依赖性:趋势(需求受过去几段时间内历史需求的影响)和周期性(需求在几天和几周内重复类似的模式),所以提取数据得到:
- 基于趋势的特征:OD图中最近两个时间间隔的需求,即 x(d,t−2)x^{(d,t-2)}x(d,t−2)和 x(d,t−1)x^{(d,t-1)}x(d,t−1)
- 一天内基于周期的特征:OD图中前一天相同时间间隔的需求,即 x(d−1,t)x^{(d-1,t)}x(d−1,t)
- 一周内基于周期的特征:OD图中上周同一天相同时间间隔的需求,即 x(d−7)x^{(d-7)}x(d−7)。
将od对的历史需求映射到下一间隔内od需求:
x(d,t)=[x(d−7),x(d−1,t),x(d,t−2),x(d,t−1)]→fx(d,t)x(d,t) =[x^{(d-7)},x^{(d-1,t)},x^{(d,t-2)},x^{(d,t-1)}]\xrightarrow{f} x(d,t)x(d,t)=[x(d−7),x(d−1,t),x(d,t−2),x(d,t−1)]fx(d,t)
模型方法
有两个编码器:一个空间编码器和一个时间编码器。空间编码器利用多个RMGC从不同方面(包括地理距离、功能相似性和移动性模式相关性)建模OD对之间的空间相关性。时间编码器提出了一个空间LSTM模型来学习每个OD对的时间依赖关系。为了在一个端到端的学习框架中融合空间和时间模型,我们将两个解码器的输出平坦化为两个密集的latten向量,然后将其串联。最后,在解码器部分,使用多个RMGC网络将压缩向量转换回OD图,用于预测目标OD需求。
1. od之间的空间性建模
(1)邻域关系图:两个OD对的起点/目的地彼此相邻,则具有很强的相关性
在起点或终点附近的OD对中,需求更有可能具有类似的模式,定义两个相邻矩阵,分别指示两个OD对是否具有相邻的起点或终点:
例如西北大学到陕师大,西北大学南门出发或者从东门出发,即表示这两个od对具有相邻的起点,他们之间可能会有一些相互影响
(2)功能相似图:两个od对功能相似,则具有很强的关系
划分功能区域功能区如果两个od对i和j的起点功能相同,终点功能相同,则相似性越大。
(3)站点距离图:分别描述起点和终点之间的距离
基于起点(每两个OD对的起点之间的距离)和基于目的地的距离(每两个OD对的目的之间的距离),距离越短,关系越强【这里用的是经纬度的直线距离】
(4)迁移率模式相关图:类似的需求模式od对,可以相互指导预测
让Qi作为记录OD对i历史需求(多个月)的向量
2. Residual Multi-Graph convolutional (RMGC) network
RMGC网络,它结合了多图卷积网络和残差模块,以捕获OD对之间的空间相关性。在我们的模型中,RMGC网络的基础是GCN,通过改变GCN层的结构来设计MGC网络。然后,在深度学习网络中堆叠多个MGC层以提高训练性能,并引入剩余网络来解决梯度爆炸问题,这构成了RMGC块。这种基于RMGC的编码器的输出是通过RMGC块的多层生成的,并被展平为一维特征。
- 多图训练
假定有k个邻接矩阵,第k个邻接矩阵 Ak^∈RN×N,k∈1...K\widehat{A_k}∈ R^{N×N},k∈{1...K}Ak∈RN×N,k∈1...K,在批量大小为B的每个训练批中,我们首先将每个相邻矩阵复制B次,然后将它们连接成一个张量A∈RB×(N∗K)×NA ∈ R^{B×(N*K)×N}A∈RB×(N∗K)×N
假设输入和输出特征的维数分别为F和O,那么我们就得到了输入张量 Hl∈RB×N×FH_l∈ R^{B×N×F}Hl∈RB×N×F,可学习的权重矩阵W∈R(K∗F)×OW ∈ R^{(K*F)×O}W∈R(K∗F)×O,以及输出张量Hl+1∈RB×N×OH_{l+1}∈ R^{B×N×O}Hl+1∈RB×N×O
残差网络Ht+1=Ht+σ(D−1/2AD−1/2HlWl)H_{t+1} = H_t+\sigma(D^{-1/2}AD^{-1/2}H_lW_l)Ht+1=Ht+σ(D−1/2AD−1/2HlWl)
最终输出为拉伸后的一维特征向量:
L1=σ(W1∙Flatten(RMGC(X,WRMGC))+b1)L1= σ(W_1∙Flatten(RMGC(X,W_{RMGC}))+b1)L1=σ(W1∙Flatten(RMGC(X,WRMGC))+b1)
3.Spatial LSTM
主要捕获时间特征,与传统的LSTM稍有不同的是,本文中的空间LSTM需要同时处理具有空间和时间信息的输入张量.
在以往的大多数研究中,都将一个区域或一个路段的历史特征作为输入,并预测下一个时间间隔内该区域或路段的需求。但这篇论文从所有OD对中学习特征,并将高级信息输出到一个潜在向量中,而不是对每个OD对使用各种单独的LSTM。
特征x的输入为 X ∈ R^{B×N×F},其中B为batch_size,N为od点个数,F为之前定义的切片个数为4
L2=σ(W2∙Flatten(LSTM(XLSTM,WLSTM))+b2)L2= σ(W2∙Flatten(LSTM(X_LSTM,W_LSTM))+b2)L2=σ(W2∙Flatten(LSTM(XLSTM,WLSTM))+b2)
4.编码器和解码器
只需将上述两个编码器的输出串联在一起,即可将它们融合在一起,潜在向量L包含历史需求的空间和时间特征。为了预测未来的OD需求,我们首先引入一个中间层,将向量L的维数扩展为一个形状为B×N的新向量,然后我们将新向量重塑为形状为B×N×1的张量,这成为RMGC的有效输入格式。形式上,解码器体系结构:
X^(d,t)=RMGCd(Reshape(σ(W3∙L+b3)),WRMGC−D)\widehat{X}^{(d,t)}= RMGC^d(Reshape(σ(W_3∙L + b3)),W_{RMGC−D})X(d,t)=RMGCd(Reshape(σ(W3∙L+b3)),WRMGC−D)
需求预测——Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder相关推荐
- 论文阅读2018-10-13
论文阅读2018-10-13 Addressing the minimum fleet problem in on-demand urban mobility 原文及翻译 METHODS Addres ...
- 【研究总结】基于出租车GPS轨迹数据的相关研究
出租车纯粹研究出现貌似已经过时了,在常规研究的时代结束之前,让我们来回顾和展望一下 一.常规研究 1.一般从出租车的运营特征(车.载客.行程.空载率)和出行空间特征(OD点线)两个方面来研究居民的出行 ...
- SUMO的停车场仿真
停车场仿真 github地址: https://github.com/JunXie-ZH/SUMO_Tutorial/tree/main/Parking 在SUMO中实现停车场仿真需要掌握三个部分的工 ...
- Android APIs (Class Index - Android SDK)(一)
这些是Android API(API level: 19)类 类名 描述 A AbortableHttpRequest Interface representing an HTTP request t ...
- Paper:《Graph Neural Networks: A Review of Methods and Applications—图神经网络:方法与应用综述》翻译与解读
Paper:<Graph Neural Networks: A Review of Methods and Applications-图神经网络:方法与应用综述>翻译与解读 目录 < ...
- 经济学人特稿:你应该送孩子去私立学校吗? | 经济学人20230610版社论双语精翻
"升学季"特稿:2023年6月10日<经济学人>周报封面文章<送孩子去私立学校--值吗?>(Are private schools worth it?) I ...
- CPLEX-分支定界算法调用cplex求解VRPTW
前面讲了Cplex直接求解VRPTW的模型,下面我们在分支定界算法中调用Cplex来求解VRPTW 1.分支定界算法 (1)定义: (2)求解过程: 1)确定一个下界(初始解LB),上界定为无穷大UB ...
- 如何实现在H5里调起高德地图APP?(下)
这一篇文章将告诉您,如果直接打开高德地图APP,并展示路线规划.适合有定位的移动设备,可以查询到从"我的位置"到目的地的路径规划,并直接导航. 场景二.调起高德地图的路线规划功能 ...
- R语言绘制简单行程图
一.先安装REmap和baidumap两个包 1)REmap包 install.packages("devtools") library(devtools) install_git ...
- R语言绘图:28个实用程序包
本文转载自" 阿虎定量笔记",作者郑连虎,转载己获授权.其他人转载请联系原作者,点我跳转原文. 全文注释 # 示例参考帮助文档 # 我用Rstudio重现了所有示例 # 初识R语言 ...
最新文章
- 如何使用 Arthas 定位 Spring Boot 接口超时 ?
- 安装Open Live Writer,添加SyntaxHighlighter实现代码高亮
- 高通平台device tree生成platform device的过程(MSM8909)
- 2015年 第06届 蓝桥杯 Java B组 决赛真题详解及小结
- Java—数据库技术
- 2017年Spring发布了30个新的Android库,值得您关注
- Linux vim 全选
- Linux——软件包简单学习笔记
- 终于来了!Python 编辑神器 Jupyter ,推出首款官方可视化 Debug 工具!
- 第三方框架-纯代码布局:Masonry的简单使用
- QML 可以多选ComboBox的实现
- java no provider for_No provider available for the service com.alibaba.
- WinForm开发之点滴整理
- 分享100个PHP源码整站系统,总有一款适合你
- 采用Resnet做UC Merced Land Use Dataset数据分类
- [论文总结] 深度学习在农业领域应用论文笔记5
- 基于DDD的现代ASP.NET开发框架--ABP系列之2、ABP入门教程
- 计算机毕业设计ssm客房订餐系统s2whx系统+程序+源码+lw+远程部署
- 如何下载河西区卫星地图高清版大图
- WorldWind学习系列十一:Virtual Earth插件学习