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

Jun, 2023

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

STEF-DHNet: Spatiotemporal External Factors Based Deep Hybrid Network for Enhanced Long-Term Taxi Demand Prediction

Sheraz Hassan, Muhammad Tahir, Momin Uppal, Zubair Khalid, Ivan Gorban...

TL;DR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。

Abstract

Accurately predicting the demand for ride-hailing services can result in significant benefits such as more effective surge pricing strategies, improved driver positioning, and enhanced customer service. By understanding the demand fluctuations, companies can anticipate and respond to c

ride-hailing services demand prediction convolutional neural network long short-term memory stef-dhnet

发现论文，激发创造

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

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

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

使用深度时空神经网络进行长期移动流量预测

本文提出一种专门用于精确预测网络范围内移动数据流量的时空神经网络（STN）结构和双 STN 技术（D-STN），通过在城市和农村地区 60 天的真实移动流量数据集上进行的实验，证明了所提出的（D-）STN 方法可以实现高达 10 小时的精确预测，并且与其他流行的预测方法相比，可以获得高达 61% 的更小预测误差。

Dec, 2017

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

DeepTransport: 学习交通状况预测的时空依赖关系

提出了一种名为 DeepTransport 的端到端框架，其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息，并引入注意力机制以对齐空间和时间信息，并构建并发布实时大规模交通状况数据集，经实验证明，该方法在时空领域捕捉了复杂的关系，相对于传统的统计方法和最先进的深度学习方法，取得了显著的性能提升。

Sep, 2017

超 ST-Net：用于时空预测的超网络

本文提出了一种基于 hypernetworks 的通用框架 HyperST-Net，用于深度学习的空间 - 时间数据，包括空间模块、时间模块和推理模块，通过在神经网络中设计不同类型的 HyperST 层，本文将其应用于三种不同的真实世界任务，并取得了显著的改进。

Sep, 2018

利用非规则卷积神经网络提升短期自行车共享需求预测

该研究提出了一种基于 IrConv+LSTM 的非规则卷积神经网络模型，可用于改善城市自行车共享短期需求预测，其考虑到了非相邻城市之间的联系。该模型在新加坡的无桩共享单车系统和芝加哥、华盛顿、纽约和伦敦的四个基于站点的系统，表现出比其他基准模型更好的性能。

Feb, 2022