Oct, 2019

使用时空编码器 - 解码器残差多图卷积网络预测出行需求的起点和终点

PDF
TL;DR本文提出了一种基于深度学习的新模型 ST-ED-RMGC，用于准确预测不同 OD 对的出租车需求。在曼哈顿出租车数据集的广泛实验中，该模型的表现优于现有技术。
on-demand ride-sourcing servicesdemand predictionod-based demand predictiondeep learning modelfor-hire-vehicles datasets
发现论文，激发创造
  • 基于周期性偏移的打车需求预测的时空注意力多图卷积网络

    本文介绍了一种新的交通工具需求预测方法，采用 STA-MGCN 网络和考虑周期特征的数据集，取得了骑行需求预测的最佳性能，结合纽约、芝加哥和成都三个实际数据集的测试分析。

    Mar, 2022

  • 基于图神经网络的乘客请求预测

    本文提出了一种基于图神经网络和注意力机制的乘客 OD 流量预测框架，通过捕获不同位置出发的请求之间的各种线性和非线性依赖关系以及该地点的重复模式和上下文数据，预测乘客的 OD 流量，同时确定覆盖道路网络的网格单元的最佳大小，得到较优的预测效果。

    Jan, 2023

  • 基于线图神经网络和卡尔曼滤波的动态起终点矩阵预测

    本文提出了一种利用图神经网络和卡尔曼滤波器这种异质性预测框架来识别空间和时间模式的 Origin-Destination 需求矩阵预测框架，该框架能够从通行信息中预测时空 O-D 流，并利用新泽西州收费站的数据验证了该模型，结果表明我们的方法在各种预测方案下都能够取得最佳性能，同时也展示了深度学习和卡尔曼滤波相结合的优势。

    May, 2019

  • 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

  • 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

  • ODformer：基于时空 Transformer 的长序列出行 OD 矩阵预测跨应用场景研究

    提出了 ODformer 模型，使用 OD Attention 机制捕捉 OD 对的特殊空间依赖关系，在与 2D-GCN 相结合后大大提高了模型在不同应用方案下的预测能力，并使用 PeriodSparse 自注意力有效预测不同场景下长序列 OD 矩阵系列。经过大量实验证明，该方法优于现有的最先进方法。

    Aug, 2022

  • 出租车需求预测的深度多视图时空网络

    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。

    Feb, 2018

  • STG2Seq：面向多阶段乘客需求预测的时空图到序列模型

    本文提出了一种基于图的多步城市乘客需求预测模型，使用层次图卷积结构同时捕捉空间和时间相关性，结果表明该模型在三个真实数据集上表现出色。

    May, 2019

  • 公交地铁起点 - 终点细粒度时空 MLP 架构预测

    我们提出了一种细粒度的时空 MLP 结构（ODMixer），用于地铁 OD 预测，该模型通过捕捉 OD 对之间的短期时空关系和长期趋势，有效地分析 OD 之间的细粒度关系，并具有在预测潜在异常条件方面的优势。

    Apr, 2024