交通物流模型 | 基于多重时空信息融合网络的城市网约车需求预测

城市网约车需求预测是网约车系统决策、出租车调度和智能交通建设的一项长期且具有挑战性的任务。准确的城市网约车需求预测可以提升车辆的利用和调度，减少等待时间和交通拥堵。现有的交通流预测方法大部分采用基于区域的态势感知图像或基于站点的图像表示去捕捉交通流的空间动态性，而态势感知图像和图形表示的结合同样是精准预测的关键。这篇文章作者提出了一个全新的多重时空信息融合网络（MSTIF-Net），以更好的融合多重态势感知信息和图像表示。具体来说，该网络整合了图卷积神经网络、变分自编码器以及Seq2Seq模型以获得包含欧里几得空间特征和非欧里几得结构特征的城市网约车态势联合潜伏表征，并且捕捉了时空动态。作者在两个大规模真实世界城市交通数据集上评估MSTIF-Net，结果表明该模型与其他先进的基线模型相比，取得了更优秀的预测性能。

这篇文章提出了一个全新的深度学习方法多重时空信息融合网络（MSTIF-Net），整合了多图表示，潜在的全局情况表示、Seq2Seq学习框架以及注意力机制。作者首先将城市交通时空数据整理为多图和交通态势感知图像（TSAIs）；其次分别使用GCN和VAE分别将多图序列和TSAIs序列中的空间信息嵌入到潜在空间中，获得联合表示；同时，时间信息的提取可以通过Seq2Seq模型来处理，该模型可以捕获长期依赖关系，从而预测未来需求情况。为了提高模型的预测效果，作者加入了额外的天气信息作为辅助。文章的主要贡献如下：

据作者所知，在网约车需求预测任务中，这是首次探索融合多个图级结构表示（考虑非欧式距离结构特征，但图中节点可能会过于稠密）和像素级情况表示（可以以较少的计算量获取局部时空动态有效捕捉局部时空动