Uncertainty Quantification of Sparse Travel Demand Prediction with Spatial-Temporal Graph Neural Net

起讫点(Origin-Destination, O-D)出行需求预测是交通运输领域的一个基本挑战。最近，时空深度学习模型在提高预测精度方面展示了巨大的潜力。然而，很少有研究解决细粒度O-D矩阵的不确定性和稀疏性问题。这提出了一个严重的问题，因为大量的0偏离了确定性深度学习模型的高斯假设。针对这一问题，设计了一种时空零膨胀负二项图神经网络(STZINBGNN)来量化稀疏出行需求的不确定性。利用扩散卷积网络和时间卷积网络分析出行需求的空间和时间相关性，并将两者融合来参数化出行需求的概率分布。使用两个具有不同空间和时间分辨率的真实数据集来检查STZINB-GNN。结果表明，STZINB-GNN比基准模型更优越，特别是在高时空分辨率下，因为其精度高、置信区间紧、参数可解释。STZINB-GNN的稀疏性参数对各种运输应用有物理解释。

背景：稠密O-D矩阵中的连续数据项可以服从高斯分布。然而，稀疏O-D矩阵中大量的零元素明显偏离了高斯假设。这些零值对运输管理很重要，因为它们表示需求特别低的地区

方法：

为解决稀疏性问题，本文提出Spatial-Temporal Zero-Inflated Negative Binomial Graph Neural Network (STZINB-GNN)量化不确定性并提高预测性能。利用zero-inflated negative binomial (ZINB) 分布来捕获稀疏O-D矩阵中巨大的零数量，以及每个非零项的负二项(NB)分布。与变分自编码器模型不同，我们设计了带有额外参数

Uncertainty Quantification of Sparse Travel Demand Prediction with Spatial-Temporal Graph Neural Net相关推荐

Kaggle Bike Sharing Demand Prediction – How I got in top 5 percentile of participants?
Kaggle Bike Sharing Demand Prediction – How I got in top 5 percentile of participants? Introduction ...
需求预测——Coupled Layer-wise Graph Convolution for Transportation Demand Prediction
Coupled Layer-wise Graph Convolution for Transportation Demand Prediction Introduction 现有工作问题图卷积网络中 ...
Sequential regulatory activity prediction across chromosomes with convolutional neural networks
Sequential regulatory activity prediction across chromosomes with convolutional neural networks 基于卷积 ...
《Poluparity Prediction on Social Platforms with Coupled Graph Neural Networks》阅读笔记
论文地址:Popularity Prediction on Social Platforms with Coupled Graph Neural Networks 文章概览作者提出了一种耦合图神经网 ...
Meta Graph Transformer: A Novel Framework for Spatial–Temporal Traffic Prediction
Meta Graph Transformer: A Novel Framework for Spatial–Temporal Traffic Prediction 作者:Xue Ye, Shen Fa ...
论文阅读笔记：Link Prediction Based on Graph Neural Networks
文章目录说明 Abstract 1 Introduction 2 Preliminaries Notations Latent features and explicit features Grap ...
不确定性量化（Uncertainty Quantification）：前言
生活中有很多不确定的事情, 如何用一个有效的模型和有效的算法来量化这些不确定性, 便是我们要考虑的问题. 大体上来说, 我们可以将不确定性分为两类:Aleatory uncertainty 和 epi ...
论文阅读| 《An Integrated Pipeline Architecture for Modeling Urban Land Use, Travel Demand, and Traffic 》
整合了土地利用.交通需求模型和交通分配模型目录摘要 1. 介绍 1.1 需要一个集成的模型系统 1.2 管道体系结构概述 2 土地利用模型:urbansim 2.1 概述 2.2 输入 2.3 如 ...
论文阅读笔记 Sparse Representation-Based Intra Prediction for Lossless/Near Lossless Video Coding
摘要基于稀疏表征的帧内预测SRIP.在HEVC中有35种角度预测模式AIP,用最相似的相邻像素去表示当前待编码像素.为了编码与解码的一致,角度预测模式的参数要传到解码端,为了进一步提高编码效率,再传 ...

Uncertainty Quantification of Sparse Travel Demand Prediction with Spatial-Temporal Graph Neural Net

Uncertainty Quantification of Sparse Travel Demand Prediction with Spatial-Temporal Graph Neural Net相关推荐

最新文章

热门文章