我们考虑这样一种设置,即在截止日期前从一个起点到目的地的运输请求不断变化,并且有一组代理能够为这些请求提供服务。在此设置中,分配权限将代理分配给请求,以使代理的平均空闲时间最小化。一个例子是调度出租车(代理),以满足入境乘客的旅行请求,同时确保出租车尽可能少空。本文研究了时空需求预测与竞争供给问题。我们分两步解决这个问题。首先,我们构建一个粒度模型,它提供请求的时空预测。具体地说,我们提出了一个时空图卷积序列学习(ST-GCSL)模型,预测跨位置和时隙的请求。其次,我们提供路由代理请求来源的方法,同时避免代理之间的竞争。特别是,我们开发了一种需求感知路线规划(DROP)算法,该算法同时考虑了时空预测和供需状态。我们报告了大量使用真实世界数据的实验,这些实验提供了对解决方案性能的洞察,并表明它有能力超越最先进的方案
3 SPATIAL TEMPORAL REQUEST FORECASTING
我们引入了一个端到端的深度学习模型,称为时空图卷积顺序学习(ST-GCSL),以预测请求可能在何时何地出现。