需求预测——Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder

Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network

相关工作缺陷

1. 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。
2. 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

1. 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。
2. 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

1. 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
2. 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
3. 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

$x_i^{(d,t)}$表示第d天t时第i个od对的请求数量， $X^{(d,t)}$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：

1. 基于趋势的特征：OD图中最近两个时间间隔的需求，即 $x^{(d,t-2)}$和 $x^{(d,t-1)}$
2. 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 $x^{(d-1,t)}$
3. 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 $x^{(d-7)}$。

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 −