科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着智能交通系统的发展,网约车逐渐成为城市居民出行的主要方式之一。精确的网约车需求预测,可以合理地指导车辆调度、减少等待时间,已受到越来越多学者的广泛关注。然而,现有研究考虑的交通拓扑图结构比较单一,难以全面捕获空间依赖关系。因此,本文提出了一种时空多图卷积循环网络(Spatial-Temporal Multi-Graph Convolutional Recurrent Network, STMGCRN),用以提高网约车需求预测精度。该模型利用3个子模型分别提取需求的3种时间特征,每一个子模型由多图卷积循环单元构成。该单元在门控循环单元的基础上增加了多图卷积,先通过多图卷积学习不同视角下区域之间的相关性,来捕获空间依赖关系,再通过门控循环单元学习需求数据的动态变化,来捕获时间依赖关系,最后将3个子模型的输出进行加权融合。经在真实网约车数据集上进行对比实验结果表明,该模型在需求预测方面优于其它主流模型。
- 单位
