论文地址:https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/download/16069/15978
论文题目:Deep Multi-View Spatial-Temporal Network for Taxi Demand Prediction
摘要
1. 模型融合了时空数据与语义关系
2. local CNN模型捕获空间的临近关系
3. 距离较远但是语义近似的poi通过graph embedding进行向量化
4. LSTM对时间序列进行建模,包含cnn特征与当前时间的其他特征(如天气等)
模型
a:spatial view,首先将整个地图进行栅格化,划分成7*7的像素点,经过k层卷积之后压平再接一个全连接层,得到每个时刻的空间特征
b : temporal view ,将spatial view的空间特征与其他特征放入lstm模型得到时空特征
c:semantic view,通过graph embedding得到语义特征,相似度定义采用Dynamic Time Warping,embedding的方法采用唐建15年的paper:Line: Large-scale information network embedding
论文介绍:https://blog.csdn.net/guoyuhaoaaa/article/details/78743023
论文代码:https://github.com/snowkylin/line 或者 https://github.com/VahidooX/LINE
d: 时空特征与语义特征融合之后接一个全连接层,得到预测结果,损失函数包括均方误差和均方百分比误差
模型效果