多步交通需求预测：基于注意力机制的神经网络模型-简介部分

本来打算今天看完的，看不完了，明天再看模型部分喽~

1、文章信息

《Predicting Multi-step Citywide Passenger Demands Using Atention-based Neural Networks》。

上海交通大学计算机学院发在2018WSDM（第十一届网络搜索与数据挖掘国际会议。）上的一篇会议论文。

2、摘要

既有研究重点是预测选定地点或热点地区的下一个时间步的乘客需求。然而，我们认为城市全网的多步乘客需求包含了时变的需求趋势和全局的客流状态，因此更有利于避免供需不匹配，并制定有效的车辆分配/调度策略。本文提出了一种端到端深度神经网络模型，采用基于卷积和ConvLSTM单元的encoder-decoder框架来识别复杂的特征，以捕捉时空特性和上下车交互对全市乘客需求的影响。模型中嵌入了注意力模型来刻画潜在的全市出行规律的影响。我们使用出租车和自行车数据集评估模型，实验结果表明模型效果较好。

3、简介

本文认为多步需求预测（如下图所示）更具有意义。首先，多步乘客需求表明了需求的变化趋势，这有助于避免存在临时需求波动时的冲动性车辆调度响应。相比之下，短期乘客需求预测结果往往是短时间的，更容易造成不必要的车辆调度。其次，大量的车辆遍布全市。预计整个城市的乘客需求将概括全球状况，从而在实现更好的车辆分配