基于时空网络的出租车OD需求预测-简介

最近单曲循环的一首歌，分享给大家~

1、文章信息

《Contextualized Spatial–Temporal Network for Taxi rigin-Destination Demand Prediction》。

2019发在IEEE Transactions on Intelligent Transportation Systems上的一篇文章（运输科技2区，IF:5.744）。

2、摘要

目前大量的研究是基于出行起点的出行需求预测，很少有人关注这些人前往何处，即D点，本文认为仅根据出租车的原产地需求将出租车预先分配到每个区域并不是最优的。因此本文主要是进行所有区域之间即所有OD对之间的出租车OD需求预测。它的主要挑战来自于如何有效地捕获各种环境信息来学习需求模式。本文提出了一种新的符合实际环境的时空网络(contextualized spatial–temporal network，CSTN)，它由局部空间环境 (local spatial context ，LSC)、时间演化环境(temporal evolution context TEC)和全局相关环境(global correlation context ，GCC)三部分组成。（context这个词，网上大部分都是翻译成上下文，我感觉好像环境更好一点，本文所有context的翻译均为环境）。首先，局部空间环境模块利用两个卷积神经网络分别从起点和终点两个角度学习局部空间依赖关系。其次，将出租车需求的局部空间特征和气象信息集成到卷积长短时记忆网络(ConvLSTM)中，分析出租车需求演化。最后，为了捕获相隔较远的区域之间的相关性，全局相关环境模块计算任意两个区域之间的相似性，并将所有区域的特征与相似性权重相加，生成每个区域的全局相关性特征。实验表明本文模型的表现最好。

3、简介

滴滴出行等出租车服务仍然存在着一些低效经营的问题，例如乘客等候时间较长及空载次数较多。主要是由于出租车需求预测不准确导致供需不匹配，导致大量出租车聚集在一些繁忙地区，造成供过于求，而在其他偏远地区，出租车的分布极为稀疏。解决这一问题的方法包括预测未来的出租车需求，同时提前将出租车分配到各个区域。

出租车需求预测作为智能交通系统中的一项重要任务，已经引起了广泛的研究兴趣，并取得了显著的成功。然而，现有的方法大多只对出租车在出发地点的需求进行建模，估计各个地区或某些特定地点的出租车需求，忽略了乘客目的地的影响。我们认为乘客目的地信息对于出租车预分配系统是至关重要的。出租车预分配系统在不考虑乘客目的地分布的情况下，仅根据预测的出租车发车需求提前部署出租车，可能存在以下问题:

（1）受城市管理规定的限制(如北京的驾驶限制政策)，一些司机只允许在某些特定地区开车。如果一个出租车司机被分配到一个大部分乘客都要去的区域，而这个区域是司机被限制的地方，那么他就不能接受命令，这可能会导致资源的浪费。

（2）一些司机更喜欢在他们熟悉的区域搭载乘客。与此同时，一些司机不愿意接受利润微薄的短途旅行订单。如果司机预分配区域内的大部分乘客的目的地不在他的操作区域，或者离接机地点太近，司机可能会拒绝这些请求。

（3）如果一个司机被派往一个大部分乘客都会去，但是司机不熟悉的地区，即使有GPS导航，司机也可能会花更多的时间把乘客带到他们的目的地。这将降低出租车市场的运营效率和乘客满意度水平。

在本文中，我们提出了一个具有挑战性的出租车初始需求预测任务，该任务旨在预测任意两个区域之间未来的出租车需求。如果能够很好地预测出租车的发车需求和乘客的目的地，我们可以更有效地提前调配出租车，满足乘客的需求，同时避免上述问题。本文的关键在于如何捕捉不同时空的环境信息来学习需求模式。例如，一些在空间上相邻的区域通常具有相似的需求模式(比如出租车需求数量和需求趋势)，在我们的工作中称为局部空间环境(local spatial context , LSC)。此外，即使两个区域在空间上相距遥远，如果它们具有相似的功能(例如，它们都是住宅区)，需求模式可能仍然具有一定的相关性。我们将两个相距遥远的区域之间的这种关系称为全局关联环境 (global correlation context, GCC)。最后，出租车需求是一个时变的过程，出租车需求的演变与出租车目前所处的状态以及不断变化的天气等多种因素有关，出租车需求的演变可以用时间演化环境(time evolution context, TEC)来表示。

本文提出了一种新的符合实际环境的时空网络，它由局部空间环境、时间演化环境和全局相关环境三部分组成。首先，局部空间环境模块利用两个卷积神经网络分别从起点和终点两个角度学习局部空间依赖关系。然后将两个网络的输出结合起来生成最终的局部空间特征，其中包含了不同视角下出租车需求模式的混合信息。其次，将出租车需求的局部空间特征和气象信息集成到卷积长短时记忆网络(ConvLSTM)中，分析出租车需求演化。最后，为了捕获相隔较远的区域之间的相关性，全局相关环境模块模块计算任意两个区域之间的相似性，并将所有区域的特征与相似性权重相加，生成每个区域的全局相关性特征。这样，每个区域包含了所有区域的信息，主要与与之有高度相似性的区域相关。最后，将TEC模块生成的局部时空特征与GCC模块生成的全局相关特征相结合，对未来出租车发车目的地需求进行预测。

这项工作的主要贡献有三方面:

（1）将现有的出租车需求预测扩展到出租车原目的地需求预测的任务中，对智能交通系统具有更大的探索价值。据我们所知，我们是第一个研究跨区域出租车需求预测的。

（2）提出了一种新的时空网络解决了这一问题，它很好地将局部空间环境、时间演化环境和全局相关环境集成到一个统一的框架中。

（3）在出租车OD需求预测的很多基准上进行的大量实验表明，我们的方法比现有的最先进的方法有一定的优势。

Attention

如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！

Transportation-ML

与你分享科研成长的乐趣

长按二维码关注