qq_35780315的博客

如何将元学习与时空网络结合以预测时空信息

交通预测的关键挑战在于如何建模复杂的空间依赖性和时间动态。虽然在建模中考虑了这两个因素，但现有的工作对空间依赖性和时间动力学做出了强有力的假设，即空间依赖性在时间上是平稳的，时间动力学是严格周期性的。然而，在实践中，空间依赖性可能是动态的（即不时变化），而时间动力学可能从一个周期到另一个周期有一些扰动。本文针对动态性这一点做出了自己的工作。...

在智慧城市的建设中，出租车需求预测是一个及其重要的问题。准确的预测需求能够帮助城市预分配交通资源，提前避免交通拥堵，从而缓解交通压力，同时降低出租车空载率，提高出租车司机收入。传统的出租车需求预测往往基于时序预测技术，无法对复杂的非线性时空关系进行建模。深度学习技术的突破为交通预测问题带来了曙光，但是现存的深度学习网络架构，往往只单一考虑了时间关系或者空间关系，没有把两者结合起来进行建模。本文提出了 DMVST-Net，同时对时间关系和空间更新进行建模。...