AAAIFeb, 2018

出租车需求预测的深度多视图时空网络

PDF
TL;DR该研究提出一种基于深度学习的 Deep Multi-View Spatial-Temporal Network (DMVST-Net) 框架，用于在城市的出租车运营中预测需求，包括空间和时间相关性，并借助大数据的支持，提高了交通预测问题的效果。
taxi demand predictionsmart citydeep learningspatial-temporal relationsbig data
发现论文，激发创造
  • 基于深度多视角时空虚拟图神经网络的城市级出租车需求预测

    该研究提出了一种新的虚拟图建模方法和深度多视角时空虚拟图神经网络框架，以增强城市范围打车需求预测的空间动态学习能力和时间依赖性，实验证明该框架在细粒度预测场景中具有效力和优越性。

    Jul, 2020

  • 出租车起止点需求预测的上下文时空网络

    本文提出了一种基于 Contextualized Spatial-Temporal Network（CSTN）的出发地 - 目的地预测模型，其中包括 LSC 模块、TEC 模块和 GCC 模块，主要用于预测出未来时间间隔内的各个区域之间的出租车需求情况，并且在大规模数据集上的实验证明了 CSTN 模型具有很好的预测性能。

    May, 2019

  • 重新审视时空相似性：一种用于交通预测的深度学习框架

    本文提出一种空间 - 时间动态网络（STDN）进行交通预测，该网络引入流量控制机制来学习位置之间的动态相似性，设计周期移位关注机制来处理长期周期性时间移位，并在实际交通数据集上进行实验验证。

    Mar, 2018

  • 基于深度多视角通道级时空网络的交通流量预测

    准确预测交通流量对于公共安全和智能交通系统等应用至关重要，本文通过提出一种名为多通道时空网络（MVC-STNet）模型的深度学习方法来解决多通道交通流预测的问题，该模型考虑了不同交通观测对交通流预测的不同影响，并在实验中取得了比现有方法更好的预测性能。

    Apr, 2024

  • 基于时空深度学习的即需打车服务乘客需求短期预测

    通过深度学习技术在考虑时空相关性的情况下，提出了融合卷积长短时记忆网络的方法，用于预测中国杭州地区共享出行平台的短期客流需求，通过实验证实了该方法相较于传统方法的更高预测精度。

    Jun, 2017

  • 基于时空外部因素的深度融合网络 (STEF-DHNet) 用于增强长期出租车需求预测

    本研究介绍了一种名为 STEF-DHNet 的需求预测模型，该模型结合了卷积神经网络和长短期记忆来集成外部要素作为空间和时间信息，并捕捉它们对叫车需求的影响，结果表明该模型在三个不同的数据集上优于现有的最先进方法，具有在实际应用场景中实用的潜力。

    Jun, 2023

  • 一模適用於所有地區的計程車需求預測

    通过应用图神经网络捕捉城市环境中的空间依赖性和模式，本研究提出了一种新颖的出租车需求预测系统。该系统采用区域中立的方法，利用变分自编码器将输入特征分解为区域特定和区域中立的组件，以实现跨区域出租车需求预测并推广到不同城市区域。实验证明了该系统在准确预测出租车需求方面的有效性，甚至在以前观察不到的区域，从而展示了其优化出租车服务和提高交通效率的潜力。

    Oct, 2023

  • 利用 Transformer 模型融合多源交通需求数据进行城市停车预测

    基于时空深度学习和多源数据融合的停车可用性预测框架提供了更准确和及时的信息，促进了更高效和可持续的城市出行。

    May, 2024

  • 多通道时空变换器模型的交通流量预测

    提出了一个多通道时空变换模型用于交通流量预测，通过融合来自不同通道的交通数据结果，改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征，并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明，引入多通道机制到时间模型中提高了性能，并且在准确性方面优于现有模型。

    May, 2024

  • 利用时空建模预测短期 Uber 需求：纽约市案例研究

    本文探究了骑乘服务的需求和推断模式。结果表明，需考虑的空间模式为出租车需求在纽约市场上具有重要影响。

    Dec, 2017