时空编解码器残差多图卷积网络预测OD客流需求

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

导读
随着移动互联网技术的快速发展，网约车服务变得越来越受欢迎，并在很大程度上改变了人们的出行方式。需求预测是网约车平台供需管理系统中最基本的组成部分之一。通过对起点-目的地(OD)需求进行准确的短期预测，这些平台可以在实时匹配、闲置车辆重新分配和拼车车辆路线等方面做出精确和及时的决策。与基于区域的需求预测相比，基于OD的需求预测更具挑战性。这主要是由于不同OD对的需求之间存在复杂的空间和时间依赖关系。为了克服这一挑战，这篇文章提出了时空编解码器残差多图卷积网络(ST-ED-RMGC)，这是一种新的深度学习模型，用于预测不同OD对的乘车需求。该模型首先构造OD图，利用邻接矩阵来刻画不同OD对之间的非欧几里得成对的地理和语义相关性。其次，在构造的图的基础上，利用残差多图卷积(RMGC)网络对上下文感知的空间依赖进行编码，用长短期记忆(LSTM)网络将时间依赖性编码到稠密向量空间。最后，利用RMGC网络将压缩后的向量解码成OD图，并对未来OD需求进行预测。通过在纽约市曼哈顿的出租车数据集上进行的大量实验，提出的深度学习框架比最新的深度学习框架要好。

问题定义

（1）区域划分：在这篇文章中，根据下图所示的行政邮政编码，将纽约市曼哈顿划分为不同的不规则区域。在时间间隔上一天被平均划分为几个间隔(例如，24小时)。目标是在每个时间间隔内同时预测不同OD对的需求量。

（2）OD图：与传统的交通网络图中每个顶点代表一个交叉口或一个区域不同，本文构造了一个特定的OD图G=(V，E，A)，其中该图的每个顶点指的是一个OD对，如图所示。V是OD对的集合，N=|V|是每个时间间隔中的OD对的数量，E表示边的集合，并且A∈RN×N定义相邻矩阵，其元素表示顶点(即OD对)之间的连接。在这里，OD图是完全连接的，这表明任意两个OD对的边都存在连接。

（3）特征：设图片表示在第d天的时间间隔t的第i个OD对中的乘客需求(请求订单量)，其中i∈V(OD对的集合)，图片∈R+。设图片表示在第d天的时间间隔t的所有OD对中的乘客需求。为了预测图片，可以使用第d天的时间间隔t之前的所有OD需求作为特征。然而，由于计算资源的限制，将所有的历史OD需求都输入到模型中是不必要的，也是不可行的。考虑主要有两种时间相依性：趋势性(需求受过去几个区间的历史需求影响)和周期性(需求在几天和几周内重复类似的模式)。有了这些知识，构造以下历史数据的特征：

1）基于趋势的特征：OD图中最近两个