Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network
相关工作缺陷
- 地图网格划分运用CNN和LSTM进行预测，CNN仅以地理方式捕获局部空间相关性，而无法对两个区域之间的语义相关性建模。
- 大多是研究区域中的骑乘需求，很少有OD的需求预测，现有的od预测在构建邻接矩真实只包含两个网格之间的距离和流量信息，没有充分利用语义信息。
特点
- 构造多个OD图来描述不同OD对之间的成对关系，包括基于起点和终点的邻域关系图、基于起点和终点的功能相似图、基于起点和终点的距离图以及移动性模式相关图。
- 提出了一种新的深度学习模型，该模型具有设计良好的编解码结构，可以对不同OD对之间的空间依赖性和OD对本身的时间依赖性进行建模
研究问题
od graph
- 不再通过正方形或者六边形划分区域，而是通过邮政编码划分区域
- 将一天划分成多个时间间隔，预测同一时间间隔内各种od的订单数量
- 构图 G = (V,E,A)，其中顶点v表示每个od对，N = |V|表示每个od对在当前时间段的个数，E表示边集，A表示邻接矩阵
特征定义
x i ( d , t ) x_i^{(d,t)} xi(d,t)表示第d天t时第i个od对的请求数量， X ( d , t ) X^{(d,t)} X(d,t)表示第d天t时所有od对的总数量。因为存在两种主要的时间依赖性：趋势（需求受过去几段时间内历史需求的影响）和周期性（需求在几天和几周内重复类似的模式），所以提取数据得到：
- 基于趋势的特征：OD图中最近两个时间间隔的需求，即 x ( d , t − 2 ) x^{(d,t-2)} x(d,t−2)和 x ( d , t − 1 ) x^{(d,t-1)} x(d,t−1)
- 一天内基于周期的特征：OD图中前一天相同时间间隔的需求，即 x ( d − 1 , t ) x^{(d-1,t)} x(d−1,t)
- 一周内基于周期的特征：OD图中上周同一天相同时间间隔的需求，即 x ( d − 7 ) x^{(d-7)} x(d−7)。
将od对的历史需求映射到下一间隔内od需求：
x
(
d
,
t
)
=
[
x
(
d
−
7
)
,
x
(
d
−
1
,
t
)
,
x
(
d
,
t
−
2
)
,
x
(
d
,
t
−
1
)
]
→
f
x
(
d
,
t
)
x(d,t) =[x^{(d-7)},x^{(d-1,t)},x^{(d,t-2)},x^{(d,t-1)}]\xrightarrow{f} x(d,t)
x(d,t)=[x(d−7),x(d−1,t),x(d,t−2),x(d,t−1)]fx(d,t)
模型方法
有两个编码器：一个空间编码器和一个时间编码器。空间编码器利用多个RMGC从不同方面（包括地理距离、功能相似性和移动性模式相关性）建模OD对之间的空间相关性。时间编码器提出了一个空间LSTM模型来学习每个OD对的时间依赖关系。为了在一个端到端的学习框架中融合空间和时间模型，我们将两个解码器的输出平坦化为两个密集的latten向量，然后将其串联。最后，在解码器部分，使用多个RMGC网络将压缩向量转换回OD图，用于预测目标OD需求。
1. od之间的空间性建模
（1）邻域关系图：两个OD对的起点/目的地彼此相邻，则具有很强的相关性
在起点或终点附近的OD对中，需求更有可能具有类似的模式，定义两个相邻矩阵，分别指示两个OD对是否具有相邻的起点或终点：
例如西北大学到陕师大，西北大学南门出发或者从东门出发，即表示这两个od对具有相邻的起点，他们之间可能会有一些相互影响
（2）功能相似图：两个od对功能相似，则具有很强的关系
划分功能区域功能区如果两个od对i和j的起点功能相同，终点功能相同，则相似性越大。
（3）站点距离图：分别描述起点和终点之间的距离
基于起点（每两个OD对的起点之间的距离）和基于目的地的距离（每两个OD对的目的之间的距离），距离越短，关系越强【这里用的是经纬度的直线距离】
（4）迁移率模式相关图：类似的需求模式od对，可以相互指导预测
让Qi作为记录OD对i历史需求（多个月）的向量
2. Residual Multi-Graph convolutional (RMGC) network
RMGC网络，它结合了多图卷积网络和残差模块，以捕获OD对之间的空间相关性。在我们的模型中，RMGC网络的基础是GCN，通过改变GCN层的结构来设计MGC网络。然后，在深度学习网络中堆叠多个MGC层以提高训练性能，并引入剩余网络来解决梯度爆炸问题，这构成了RMGC块。这种基于RMGC的编码器的输出是通过RMGC块的多层生成的，并被展平为一维特征。
- 多图训练
假定有k个邻接矩阵，第k个邻接矩阵 A k ^ ∈ R N × N , k ∈ 1... K \widehat{A_k}∈ R^{N×N},k∈{1...K} Ak ∈RN×N,k∈1...K,在批量大小为B的每个训练批中，我们首先将每个相邻矩阵复制B次，然后将它们连接成一个张量 A ∈ R B × ( N ∗ K ) × N A ∈ R^{B×(N*K)×N} A∈RB×(N∗K)×N
假设输入和输出特征的维数分别为F和O，那么我们就得到了输入张量 H l ∈ R B × N × F H_l∈ R^{B×N×F} Hl∈RB×N×F,可学习的权重矩阵 W ∈ R ( K ∗ F ) × O W ∈ R^{(K*F)×O} W∈R(K∗F)×O,以及输出张量 H l + 1 ∈ R B × N × O H_{l+1}∈ R^{B×N×O} Hl+1∈RB×N×O
残差网络
H
t
+
1
=
H
t
+
σ
(
D
−
1
/
2
A
D
−
1
/
2
H
l
W
l
)
H_{t+1} = H_t+\sigma(D^{-1/2}AD^{-1/2}H_lW_l)
Ht+1=Ht+σ(D−1/2AD−1/2HlWl)
最终输出为拉伸后的一维特征向量：
L
1
=
σ
(
W
1
∙
F
l
a
t
t
e
n
(
R
M
G
C
(
X
,
W
R
M
G
C
)
)
+
b
1
)
L1= σ(W_1∙Flatten(RMGC(X,W_{RMGC}))+b1)
L1=σ(W1∙Flatten(RMGC(X,WRMGC))+b1)
3.Spatial LSTM
主要捕获时间特征,与传统的LSTM稍有不同的是，本文中的空间LSTM需要同时处理具有空间和时间信息的输入张量.
在以往的大多数研究中，都将一个区域或一个路段的历史特征作为输入，并预测下一个时间间隔内该区域或路段的需求。但这篇论文从所有OD对中学习特征，并将高级信息输出到一个潜在向量中，而不是对每个OD对使用各种单独的LSTM。
特征x的输入为 X ∈ R^{B×N×F},其中B为batch_size，N为od点个数，F为之前定义的切片个数为4
L
2
=
σ
(
W
2
∙
F
l
a
t
t
e
n
(
L
S
T
M
(
X
L
S
T
M
,
W
L
S
T
M
)
)
+
b
2
)
L2= σ(W2∙Flatten(LSTM(X_LSTM,W_LSTM))+b2)
L2=σ(W2∙Flatten(LSTM(XLSTM,WLSTM))+b2)
4.编码器和解码器
只需将上述两个编码器的输出串联在一起，即可将它们融合在一起，潜在向量L包含历史需求的空间和时间特征。为了预测未来的OD需求，我们首先引入一个中间层，将向量L的维数扩展为一个形状为B×N的新向量，然后我们将新向量重塑为形状为B×N×1的张量，这成为RMGC的有效输入格式。形式上，解码器体系结构：
X
^
(
d
,
t
)
=
R
M
G
C
d
(
R
e
s
h
a
p
e
(
σ
(
W
3
∙
L
+
b
3
)
)
,
W
R
M
G
C
−
D
)
\widehat{X}^{(d,t)}= RMGC^d(Reshape(σ(W_3∙L + b3)),W_{RMGC−D})
X
(d,t)=RMGCd(Reshape(σ(W3∙L+b3)),WRMGC−D)
1225
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
