论文笔记(1) : Deep Multi-View Spatial-Temporal Network for Taxi Demand Prediction

这篇文章是作者在滴滴出行实习时做的一篇文章，投了AAAI2018.

1.Abstract

• 出租车需求预测可以帮助城市资源预调度
• 传统方法大部分都利用时序预测的技术
• 现有的深度学习方法只考虑单一的时间(LSTM)或空间(CNN)的维度
• 本文提出一个DMVST-Net，考虑了时间，空间，以及语义的维度

2.Introduction

• 传统方法中:ARIMA(autoregressive integrated moving average )曾被广泛应用到交通预测问题中(2008,2012,2013),也有很多人研究如何借助其它因素来提高预测准确性。
• 深度学习方法中中：也有很多人用CNN，LSTM来做交通预测，但是是没有人同时考虑时序列关系。
• 在这篇论文中，同时使用了CNN，LSTM来捕捉复杂的时空关系。如果将整个城市看成一张图片不会达到很好的效果，所以本文提出了一个局部CNN模型，只考虑预测地点附近的区域。利用局部CNN来捕捉特征时会忽视两个地点距离很远但是它们的需求模式非常相近的情况。所以还使用了一个语义的信息(各个区域之间的相似关系)
• 本文使用的时滴滴出行广州的数据，平均每天大约300000个请求。

3.定义

• 整个城市分成不相交的区域L={L1,L2,..,Li,…,LN}，将整段时间分成I={I0,I1,I2,…,It,..,IT} ，长度为30分钟。
• 出租车需求：o=(o.t，o.t，o.u) ，o.t 代表时间戳，o.l 代表位置，o.u 代表用户的唯一ID。
• 需求：yti ，在某一个 lt , Li 时间内o的次数
• 预测问题：